电脑
python（具体配置见上面简介）
把下载下来的资源，放到某个文件夹里面，然后打开python编译器，读取数据：import numpy as npimport matplotlib.pyplot as plt from keras.models import Sequentialfrom keras.layers.core import Dense, Dropout, Activationfrom keras.utils import np_utilsshuju='……/mnist.npz' #￥￥￥这里读取资源的绝对路径f=np.load(shuju)X_train, y_train = f['x_train'], f['y_train']X_test, y_test = f['x_test'], f['y_test']f.close()读取数据的方式，如上所示，资源本身已经把数据集分成了训练集和测试集；读完了数据，就要关闭读取的过程，节省内存。
修改数据集的样式：X_train = X_train.reshape(X_train.shape[0], -1)X_test = X_test.reshape(X_test.shape[0], -1) X_train = X_train.astype('float32')X_test = X_test.astype('float32')X_train /= 255X_test /= 255y_train = np_utils.to_categorical(y_train, num_classes=10)y_test = np_utils.to_categorical(y_test, num_classes=10) 上面，X_train和X_test分别是手写数字的图片的数据，都是28*28大小的灰度图。我们需要把每一幅图片转化为长度为28*28=784的向量； 而y_train和y_test则是手写数字的标签，写的是数字几，标签就是几（从0到9）。我们需要把标签转化为10阶向量里面的元素都是0或1。比如标签为3，就把标签转化为向量(0,0,0,1,0,0,0,0,0)。y_train[5]等于[0., 0., 1., 0., 0., 0., 0., 0., 0., 0.]，表示对应的数字是2。
创建一个序贯模型：model = Sequential()model.add(Dense(512, input_shape=(784,)))model.add(Activation('relu'))model.add(Dropout(0.2))model.add(Dense(512))model.add(Activation('relu'))model.add(Dropout(0.2))model.add(Dense(10))model.add(Activation('softmax'))
编译模型：model.compile(loss = 'categorical_crossentropy', optimizer = 'rmsprop', metrics=['accuracy'])度量方法是'accuracy'，优化器是'rmsprop'，损失函数是'categorical_crossentropy'。
开始训练：history = model.fit(X_train, y_train, epochs=10, batch_size=600, verbose = 1, validation_data=[X_test, y_test])训练的数据是[X_test, y_test]；每一批有600个数据——batch_size=600；训练10次，也就是优化10次。这10次，把误差从0.15降为了0.6。
检测训练成果：for i in range(1000): X_test_0 = X_test[i,:].reshape(1,784) y_test_0 = y_test[i,:] pred = model.predict(X_test_0[:]) if np.argmax(y_test_0)!=np.argmax([pred[0]]): print('第'+str(i)+'个数字识别错误，识别为' +str(np.argmax([pred[0]]))+'，实际上是' +str(np.argmax(y_test_0)))我们选择了测试集里面前1000个数据，看看有哪些不能识别。
最后，别忘了保存模型。model.save('数字识别.h5')读取模型的方法是：from keras.models import load_modelmodel = load_model('数字识别.h5')