# 手写数字（mnist）
训练集为 60,000 张 28x28 像素灰度图像，测试集为 10,000 同规格图像，总共 10 类数字标签。
## 用法：
~~~
from AADeepLearning.datasets import mnist
import matplotlib.pyplot as plt
# mnist数据集已经被划分成了60,000个训练集，10,000个测试集的形式，按以下格式调用即可
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 画出minist 数字
fig = plt.figure()
plt.imshow(x_test[0],cmap = 'binary')#黑白显示
plt.show()
print('x_train shape:', x_train.shape)
print('y_train shape:', y_train.shape)
print('x_test shape:', x_test.shape)
print('y_test shape:', y_test.shape)
~~~
```
#输出
x_train shape: (60000, 28, 28)
y_train shape: (60000,)
x_test shape: (10000, 28, 28)
y_test shape: (10000,)
```
**返回：**
* 2 个元组：
* **x\_train, x\_test**: uint8 数组表示的灰度图像，尺寸为 (num\_samples, 28, 28)。
* **y\_train, y\_test**: uint8 数组表示的数字标签（范围在 0-9 之间的整数），尺寸为 (num\_samples,)。
- 序言
- 安装
- 快速体验
- 配置
- 层（layer）
- 展平（flatten）
- 全连接（fully connected）
- 卷积（convolutional）
- 池化（pooling）
- 标准化（batch normalization）
- 失活（dropout）
- 循环（RNN）
- 长短期记忆（LSTM）
- 激活函数（activation）
- relu
- sigmoid
- tanh
- 损失（loss）
- 交叉熵损失（softmax）
- 折页损失（SVM或Hinge）
- 优化器（optimizer）
- 带动量学习率自适应（adam）
- 动量（momentum）
- 学习率自适应（rmsprop）
- 随机梯度下降（sgd）
- 模型（model）
- 保存（save）
- 载入（reload）
- 继续训练（continue train）
- 数据集（datasets）
- 手写数字（mnist）
- 时尚物品（Fashion-MNIST）
- 10种物体分类（cifar10）
- 100种物体分类（cifar100）
- 电影评论情感分类（imdb）
- 路透社新闻主题分类（reuters）
- 可视化（visualization）
- 损失曲线（loss）
- 准确率曲线（accuracy）