mnist數據集獲取60000個訓練樣本和10000個測試樣本，樣本為0-9十個數字，用全連接神經網絡進行訓練，並測試結果。

例程采用60000個數據樣本進行訓練，對於一般的電腦來說，這樣訓練會比較費時間，學習測試較慢

所以，可以加入以下幾行代碼：

# mnist has 60000 datas,down to 6000 to accelerate
x_train=x_train[:6000]

y_train=y_train[:6000]

將原始60000個樣本只取前6000個樣本進行訓練

例程的核心代碼為（部分數值有修改）：

model = Sequential()
model.add(Dense(512, activation=‘relu‘, input_shape=(784,)))
model.add(Dropout(0.2))
model.add(Dense(64, activation=‘relu‘))
model.add(Dropout(0.2))

model.add(Dense(num_classes, activation=‘softmax‘))

　　依次理解筆記：

model.add(Dense(512, activation=‘relu‘, input_shape=(784,)))

為model添加Dense層，即全鏈接層，該層有784維輸入，512為輸出

model.add(Dropout(0.2))

添加Dropout層，訓練時概率性丟棄

model.add(Dense(64, activation=‘relu‘))

再次添加Dense層，64維輸出（輸入為前一層，512維）

model.add(Dense(num_classes, activation=‘softmax‘))

再次添加Dense層，10維輸出（num_classes=10，即0-9十個數字）

所以我們大致能夠知道，神經網絡是輸入784維，第一層512維，第二層64維，輸出10維。

在例程末尾，可以添加兩句

model.summary()

print (model.get_weights())

keras神經網絡開發知識筆記