深度学习总结（1）

初识神经网络（helloworld）

要解决的问题是，将手写数字的灰度图像（28像素×28像素）划分到10个类别中（从0到9）​。我们将使用MNIST数据集。

在机器学习中，分类问题中的某个类别叫作类（class）​，数据点叫作样本（sample）​，与某个样本对应的类叫作标签（label）​。

MNIST数据集已预先加载在Keras库中，其中包含4个NumPy数组，如代码清单2-1所示。

代码清单2-1　加载Keras中的MNIST数据集

from tensorflow.keras.datasets import mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

train_images和train_labels组成了训练集，模型将从这些数据中进行学习。然后，我们在测试集（包括test_images和test_labels）上对模型进行测试。
图像被编码为NumPy数组，而标签是一个数字数组，取值范围是0～9。图像和标签一一对应。我们来看一下训练数据：

print(train_images.shape)
print(len(train_labels))
print(train_labels)

再来看一下测试数据：

print(test_images.shape)
print(len(test_labels))
print(test_labels)

工作流程如下：首先，将训练数据（train_images和train_labels）输入神经网络；然后，神经网络学习将图像和标签关联在一起；最后，神经网络对test_images进行预测，我们来验证这些预测与test_labels中的标签是否匹配。
构建神经网络，如代码清单2-2所示

代码清单2-2　神经网络架构

#顺序模型,通过传入层的列表构造
model = keras.Sequential([
    #全密集链接层  512个单元，激活函数为relu
    layers.Dense(512, activation="relu"),
    #全密集链接层  10个单元，激活函数为softmax
    layers.Dense(10, activation="softmax")
])

神经