转自：
下载数据：
# download the mnist to the path '~/.keras/datasets/' if it is the first time to be called# X shape (60,000 28x28), y shape (10,000, )(X_train, y_train), (X_test, y_test) = mnist.load_data()
data预处理：
X_train = X_train.reshape(X_train.shape[0], -1) / 255. # normalizeX_test = X_test.reshape(X_test.shape[0], -1) / 255. # normalizey_train = np_utils.to_categorical(y_train, num_classes=10)y_test = np_utils.to_categorical(y_test, num_classes=10)
导入包：
from tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("./", one_hot=True)X_train=mnist.train.imagesY_train=mnist.train.labelsX_test=mnist.test.imagesY_test=mnist.test.labels
因为(X_train, y_train), (X_test, y_test) = mnist.load_data()需从网上下载数据，由于网络限制，下载失败。
可以先在官网上下载四个数据（）
在当前目录，不要解压！
#input_data.py该模块在tensorflow.examples.tutorials.mnist下，直接加载来读取上面四个压缩包。
#四个压缩包形式为特殊形式。非图片和标签，要解析。
from tensorflow.examples.tutorials.mnist import input_data
#加载数据路径为"./"，为当前路径，自动加载数据，用one-hot方式处理好数据。
#read_data_sets是input_data.py里面的一个函数，主要是将数据解压之后，放到对应的位置。 第一个参数为路径，写"./"表示当前路径，其会判断该路径下有没有数据，没有的话会自动下载数据。
mnist = input_data.read_data_sets("./", one_hot=True)
相关的包：
model.Sequential()：用来一层一层的去建立神经层。
layers.Dense，表示这个神经层是全连接层。
layers.Activation，激励函数
optimizers.RMSprop，优化器采用RMSprop，加速神经网络训练方法。
Keras工作流程：
- 定义训练数据：输入张量和目标张量
- 定义层组成的网络（或模型），将输入映射到目标
- 配置学习过程：选择损失函数、优化器和需要监控的指标
- 调用模型的fit方法在训练数据上进行迭代
代码：
import numpy as npnp.random.seed(1337) # for reproducibilityfrom keras.datasets import mnist from keras.models import Sequentialfrom keras.layers import Dense, Activationfrom keras.optimizers import RMSprop#读取数据,其中，X_train为55000*784，Y_train为55000*10，X_test为10000*784，Y_test大小为10000*10.from tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("./", one_hot=True)X_train=mnist.train.imagesY_train=mnist.train.labelsX_test=mnist.test.imagesY_test=mnist.test.labels #建立神经网络模型，一共两层，第一层输入784个变量，输出为32，激活函数为relu，第二层输入是上层的输出32，输出为10，激活函数为softmax。model = Sequential([ Dense(32, input_dim=784), Activation('relu'), Dense(10), Activation('softmax'),])#采用RMSprop来求解模型，设学习率lr为0.001，以及别的参数。rmsprop = RMSprop(lr=0.001, rho=0.9, epsilon=1e-08, decay=0.0)#激活模型，优化器为rmsprop，损失函数为交叉熵，metric，里面可以放入需要计算的，比如cost、accuracy、score等model.compile(optimizer=rmsprop, loss='categorical_crossentropy', metrics=['accuracy'])#训练网络，用fit函数，导入数据，训练次数为20，每批处理32个model.fit(X_train, Y_train, nb_epoch=20, batch_size=32)#测试模型print('\nTesting ------------')# Evaluate the model with the metrics we defined earlierloss, accuracy = model.evaluate(X_test, Y_test)print('test loss: ', loss)print('test accuracy: ', accuracy) 结果：
