机器学习：基于全连接神经网络的MNIST手写数字识别实战

1-前期准备

1，首先需要了解神经网络结构的知识，参考链接: 吃瓜教程学习笔记-CH5神经网络.
2，需要下载keras框架和tensorflow框架，参考链接：Keras环境的安装
基于以上环境和知识的储备，才能更好的理解项目流程。

2-项目流程

一般的深度学习项目的流程分为以下固定步骤：

1. 数据集的划分
2. 图片的预处理
3. 构建网络模型
4. 模型的编译
5. 模型的训练
6. 模型的验证
7. 模型的优化

模型的优化，减缓过拟合，模型的优化下节进行叙述，本节主要讲述前6个步骤。

3-代码实践

1-数据集的划分

在机器学习中，通常将原始数据集划分成三个部分：

1. 训练集 training set：用于模型训练
2. 验证集validation set：用于每次模型训练结束后衡量模型的预测准确度，判断是否过拟合。
3. 测试集testing set：评估模型

通常情况下，会将数据集分为6：2：2比例。
keras框架中有自动划分训练集和验证集的方式。

model.fit(x_train,y_train,validation_split=0.2)

2-图片预处理

在全连接神经网络中，需要对图片进行扁平化处理，再送到构建好的模型中去训练。keras中提供了扁平化操作的层，可以作为全连接神经网络的第一层。
因为MNIST数据集中每一张图片为28*28，扁平化第一层的input_shape=(28,28).
代码如下：

#构建模型
from keras.models import Sequential
from keras.layers import Dense, Flatten
from keras.optimizers import RMSprop
model = Sequential()
model.add(Flatten(input_shape=(28, 28)))

3-网络构建

3个隐藏层，第一个单元数64，其余32，所有的单元使用函数ReLU函数作为激活函数，最后加上输出层。输出层使用softmax函数。

model.add(Dense