最近學習神經網絡，tensorflow，看了好多視頻，查找了好多資料，感覺東西都沒有融入自己的思維中。今天用tensorflow2.0寫了一個MNIST手寫體的版本，記錄下學習的過程。
復現手寫體識別的基本步驟：准備數據，處理數據，搭建模型，迭代訓練模型，使用模型。
一、全連接模型
1、導入數據集（此次編寫運行均在notebook）
先引入所需模塊，在用tf.keras下載數據
2、分析圖片的大小
1）用shape查看數量大小；2）通過指定[0][1]來查看具體圖像尺寸，lable存儲的是image對應的數值
3、處理數據
就將原先的0-9label轉換為獨熱編碼，獨熱編碼即 One-Hot 編碼，又稱一位有效編碼，其方法是使用N位狀態寄存器來對N個狀態進行編碼，每個狀態都由他獨立的寄存器位，並且在任意時候，其中只有一位有效。
4、構建模型
1）tf.keras.Sequential()構建一個順序模型（此處模型的層數參照3blueBrown4層）
2）第一層輸入層是28*28個神經元，由傳入圖像的像素大小決定，Flatten是用來格式化數據的，將數據轉化為一列。
3）第二層和第三層各16個神經元，激活函數定義為sigmoid
4）第四層輸出層0-9，一共輸出10個不同的，softmax是概率分布型
5、訓練模型
1）model.compile(loss='目標函數', optimizer=optimizer, metrics=['accuracy'])
2）fit( x, y, batch_size=32, epochs=10, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0)
6、圖觀模型
一百次后，測試集跟訓練集的准確性圖示
二、卷積模型
卷積網絡大體布置為卷積層-池化層-全連接層。基礎知識儲備如何進行卷積前的估算，並且對相關數據進行調整，添加一層channel，確保數據一致性。
2.1基礎知識儲備（卷積參數參照LeNet-5）
2.2加載並對數據進行處理，與全連接不同的是，對數據還要再添加一層channel，手寫體是黑白圖片，故而設置為1。
2.3參照上面的卷積處理，建立模型，並運行模型
2.4 模型運行結果圖示
