#第一步：加载keras中的mnist集
from keras.datasets import mnist
(train_images, train_labels),(test_images, test_labels) = mnist.load_data()
print(train_images.shape)#查看效果的，这两步可以忽略
print(test_images.shape)
#熟悉一下matplotlib.pyplot数据显示
import matplotlib.pyplot as plt
plt.figure()#新建一个图层
plt.imshow(train_images[0],cmap=“gray”)
plt.show()
#第二步：建立网络架构，
from keras import models
from keras import layers
#层layer就像数据处理的筛子
#本例子含有两个Dense层，最后是一个10路的激活层softmax层，返回一个由10个概率值组成的数组，表示10个数字类别中某一个的概率
network=models.Sequential()
network.add(layers.Dense(512,activation=‘relu’,input_shape=(28*28,)))
network.add(layers.Dense(10,activation=‘softmax’))
#第三步：编译
#optimizer 优化器，loss损失函数，metrics代码级数据监控
network.compile(optimizer=‘rmsprop’,loss=‘categorical_crossentropy’,metrics=[‘accuracy’])
#第四步：准备图像数据和标签
train_images = train_images.reshape((60000, 28 * 28))#图像处理
train_images = train_images.astype(‘float32’) / 255
test_images = test_images.reshape((10000, 28 * 28))
test_images = test_images.astype(‘float32’) / 255
#通过二维关系矩阵的方式，生成一个对应关系
from keras.utils.all_utils import to_categorical
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)
#第五步：拟合（FIT）模型
network.fit(train_images,train_labels,batch_size=64,epochs=5)
#第六步：评估（evalUATE）模型
test_loss,test_acc=network.evaluate(test_images,test_labels)
#第七步：查看测试集的精度
print(‘test_acc’,test_acc)
#训练精度和测试精度之间的这种差距是过拟合（overfit）造成的
