一、mnist手写数字识别
1、数据集介绍
mnist数据集是一个经典的数据集，其中包括70000个样本，包括60000个训练样本和10000个测试样本
2、下载地址：http://yann.lecun.com/exdb/mnist/
3、文件说明
train-images-idx3-ubyte.gz: training set images (9912422 bytes)
train-labels-idx1-ubyte.gz: training set labels (28881 bytes)
t10k-images-idx3-ubyte.gz: test set images (1648877 bytes)
t10k-labels-idx1-ubyte.gz: test set labels (4542 bytes)
4、特征值
每一个mnist数据单元有两部分组成：一张包含手写数字的图片和一个对应的标签。我们把这些图片设为“xs”，把这些标签设为“ys”。训练数据集和测试数据集都包含xs和ys
比如训练数据集的图片是mnist.train.images，训练数据集的标签是mnist.train.labels
我们可以知道图片是黑白图片，每一张图片包含28像素x28像素。我们把这个数组展开成一个向量。长度是28x28=784。因此，在mnist训练数据集中，mnist.train.images是一个形状为[60000, 784]的张量
5、目标值
mnist中的每个图像都具有相应的标签，0到9之间的数字表示图像中绘制的数字。用的是one-hot编码
二、mnist数据获取API
1、tensorflow框架自带了获取这个数据集的接口，所以不需要自行读取
2、数据集的引入
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
以上四个数据集的格式都为numpy.ndarray
三、案例实战
1、网络设计
我们采用只有一层，即最后，一个输出层的神经网络，也称之为全连接（full connected）层神经网络
一个样本有784个特征，每一个特征都有一个权重值，进行加权求和，加上偏置得到logits，然后给logits加上softmax映射，就会得出一组概率值，概率值当中最大的那个就是它的分类
2、全连接层计算
全连接做的事情就是矩阵相乘
tf.experimental.numpy.matmul(x1, x2) + bias
说明：
（1）return：全连接结果，供交叉损失运算
tf.keras.optimizers.SGD(learning_rate)
说明：
（1）梯度下降
（2）learning_rate：学习率
3、形状表示
x[None, 784] * w[784, 10] + bias[None, 10] = y[None, 10]
x是None行784列，y是None行10列。所以权重的形状是784行10列，偏置是None行10列
