据说，在命令行窗口打印出‘hello，world’是入门编程语言的第一个程序，那么手写数字识别就是机器学习的hello，world了，学习的东西不经常复习的容易忘记，因此在这里记录一下。
最初学习机器学习的时候，我自己先做的其实是线性回归和逻辑回归，但是我用自己创建的函数和数据一直不能很好的让结果去拟合数据，所以不是成功的代码，还是需要在多研究一下。
关于机器学习的视频，我个人推荐吴恩达和李宏毅的视频，结合起来看可能会很乱，但是理解到的话，还是会很清晰的。
要进行手写数字识别，首先需要数据，然后在定义一个神经网络来对数据进行训练，然后把训练好的权重和模型保存起来，在另外的程序调用，并拿来测试你想要测试的图片，看看训练的结果是不是比较正确。
关于数据获取，这里选择的keras自带的数据集，可以在keras的官网可以找到你需要的数据集，https://keras.io/datasets/
数据集包含10个数字的60,000个28x28灰度图像，以及10,000个图像的测试集。
下载好数据集后，接着需要将数据处理一下，将其变成程序需要的格式，具体代码如下：
代码语言：javascript复制
from keras.utils import to_categorical
train_images = x_train.reshape((60000,28*28)) #将x_train转化为（60000，784）的格式
test_images = x_test.reshape((10000,28*28))
train_images = train_images.astype('float32')/255 #将图像的数值变成0-1之间的小数
test_images = test_images.astype('float32')/255
train_labels = to_categorical(y_train)
test_labels = to_categorical(y_test)
这个是没有astype的x_train的值：
这个是经过astype（）之后的数值
接着，to_categorical就是将类别向量转换为二进制（只有0和1）的矩阵类型表示。
用keras搭建神经网络的代码很简单，也就十几行代码就可以实现一个简单的神经网络用来训练数据了。
代码语言：javascript复制
from keras import models
from keras import layers
network = models.Sequential()
network.add(layers.Dense(633, activation='relu', input_shape=(28*28,)))
network.add(layers.Dense(633, activation='relu'))
network.add(layers.Dense(10,activation='softmax'))
from keras import optimizers
network.compile(optimizer = 'adam',
loss='categorical_crossentropy',
metrics=['accuracy'])
network.fit(train_images,train_labels, epochs=5,batch_size=128)
test_loss, test_acc = network.evaluate(test_images, test_labels)
print('test_acc:', test_acc)
network.save('shouxie.h5')
第一步是构建模型：
如代码所示，首先导入需要的库函数，定义一个神经网络的model，
Sequential是一系列网络层按顺序构成的栈
然后再给model添加输入层，指定好输入层类型，dense是指全连接，输出个数是633，激活函数是relu，输入个数是28*28个。然后再添加一个隐藏层，这里就不用定义输入个数，只需要输出的和激活函数，紧接着就是输出层了，因为我们的数字是0-9，有10个数字，这里的大小也是10，而这里的激活函数就要改成softmax，模型就这样构建完成了。
接着就是第二步编译一下模型：
用compile函数来编译，并定义好，损失函数，优化器（比如梯度下降）的方法，以及metrics函数。
第三步就是用fit函数来训练模型：
x_train,y_train :训练数据集
batch_size :指定一个size表示每次更新一次参数需要从训练集中随机抽取多少个样本，一般越大速度越快
epochs :每次使用完所有的训练数据集表示一次epoch
代码语言：javascript复制
test_loss, test_acc = network.evaluate(test_images, test_labels)
print('test_acc:', test_acc)
这里就是将训练结果的成功率和loss结果提取出来，并输出结果。
到这里一个神经网络也就搭建完成了，如果需要能提取模型，以便我们使用训练的结果的话，还需要将模型保存起来，这里将模型保存成h5的格式。
再用训练得到的模型对数据预测，可以看出预测的结果是对的，模型的准确率也有97之高。
就这样一个机器学习的helloworld就做好了。
