2.1 神经网络的第一次接触
让我们看一下神经网络的实例，这个神经网络使用了python库Keras来学习识别手写数字。除非你已经有了关于Keras或者相似的库的经验，你不会明白立刻明白第一个例子的所有东西。你可能还没有装Keras；这没关系，在下一章里，我们会回顾这个例子中的每一个元素，并详细的解释它们。所以如果看到一些看起来专业或者看上去就像是魔法的东西，你也不用担心！我们必须从某个地方开始。
这里我们想解决的问题是将手写数字的灰度图片分类呈10个种类（0到9）。我们使用MNIST数据集，机器学习社区的经典，它几乎与这一领域存在时间一样长并且被深入研究过。它是一套60000张训练图片加10000张练习图片，在1980年被国家技术与标准研究所（NIST）集成。你可以把“解决”MNIST当作深度学习的“hello world”——它是你如何检验你的算法如预期那样工作。当你变成机器学习的练习者时，你会在专业论文、博客文章等等，看到MNIST一遍又一遍的出现，你能在图2.1中看到一些MNIST的例子。
关于类和标签的注释
在机器学习中，分类任务中的一个种类代表一个类。数据点叫做样本。与特殊化的样本关联的类叫做标签。
你不需要现在就你的机器上重现这个例子。如果你希望这样，你需要先安装Keras，它在3.3中。
MNIST数据集预装入Keras中，以一套包含了4个Numpy数组的形式。
from keras.datasets import mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
train_images和train_labels来自training set，是模型将要学习的数据。模型在之后将会在test set，test_images和test_labels上测试。
图片被编码成Numpy数组，并且标签是名称为数字0到9的数组。图片和标签有一对一的对应关系。
让我们看看训练数据：
（略）
工作流程如下：首先，我们喂给神经网络训练数据train_images和train_labels。网络在这之后将学习着将图片与标签联系起来。最后，我们将让网络产生对test_images的预测，并且检验这些预测与test_labels中的标签是否匹配。
让我们建立一个神经网络——再一次重申，记住你不需要要求自己能理解例子中的所有东西。
(略)
神经网络的核心架构块是层，一个数据处理模型，你可以认为是数据过滤器，一些数据进来，然后以更有用的形式出去。更明确地说是层从给它们的数据中提取表示方式——希望，表示方式对于手中的问题更有意义。大多数包含一系列的样本层的深度学习会执行“数据蒸馏”的过程。一个深度学习模型就像是数据处理的筛子，由一个连续地持续增加提炼效果的数据过滤器组成，那就是层。
这里，我们的网络由两个连续的密集层组成，它紧密地连接着神经层（也叫做充分连接）。第二（也是最后的）层是10道softmax层，它意味着它将返回一组10个可能分数的数组（加起来等于1）。每个分数是当前属于我们10个数字类的数字图片的概率。
