MNIST数据集

我们将使用另一个著名的数据集——MNIST 数据集。该数据集扩展了其前身 NIST，具有 60,000 个样本的训练集和 10,000 个手写数字图像的测试集。所有数字都已标准化大小并居中。图像的大小也是固定的，因此预处理图像数据被最小化。这就是为什么这个数据集如此受欢迎的原因。它被认为是卷积神经网络领域的一个“”例子。Hello World

此外，使用卷积神经网络，我们可以得到几乎人类的结果。目前，该记录由并行计算中心（乌克兰赫梅利尼茨基）保持。他们只使用了5个卷积神经网络的集合，错误率为0.21%。很酷，不是吗？

导入库和数据

与本系列的前几篇文章一样，我们将首先导入所有必要的库。其中一些是熟悉的，但其中一些我们将进一步解释。

<span style="color:black"><span style="background-color:#fbedbb">import numpy as np 
from matplotlib import pyplot as plt
from keras.utils.np_utils import to_categorical 
from keras.models import Sequential 
from keras.layers.core import Dense, Dropout, Flatten 
from keras.layers import Conv2D, MaxPooling2D</span></span>

正如你所看到的，我们将使用，我们在前面的例子中已经使用的库，用于对多维数组和矩阵进行运算。此外，您可以看到我们正在使用本文中已经使用的库中的一些功能，但也有一些新功能。 并用于创建模型层和标准层，即全连接层。numpyKerasSequentialDense

此外，我们还可以看到我们从中使用的一些新类。 是我们将用来创建卷积层的类。 是用于池化层的类，类用于展平级别。我们也使用 from 。此类用于将向量（整数）转换为二进制类矩阵，即用于单热编码。最后，请注意，我们将用于显示结果。KerasConv2DMaxPooling2DFlattento_categoricalKeras utilsmatplotlib