回归问题，它预测，连续的分配价值，例如房屋的价格，汽车的速度，比萨饼的价格等等。当我们遇到图片或狗的图片时，我们无法使用回归以解决它。目前，我们需要使用分类来学习将其分为可以被计算机识别的类型（猫或狗）。
如上图所示，通常与人类不同。无论是声音，图片还是文本，它们都只能出现在数字0或1的计算机神经网络中。神经网络看到的图片实际上是一堆数字。数字的处理最终产生了另一个数字，并且具有一定的认知意义。它可以知道计算机是否是通过少量处理来确定的。
分类（分类）是监督和学习的类别。它是数据挖掘，机器学习和数据科学的重要研究领域。分类模型类似于人类学习。通过学习历史数据或培训集，获得了目标功能，然后目标函数预测了新数据集的未知属性。分类模型主要包括两个步骤：
通常，通常使用学习模型的性能。DATARALLY分为非交流训练集和测试集。培训集用于构建分类模型。测试集用于测试分类多少类标签。
那么回归和分类之间有什么区别？
类别和回归属于监督和学习。它们之间的区别在于，回归用于预测连续的实数。例如，给定的房屋区域以预测房屋的价格。预定目标类属于目标。预定的目标类是当离散值离散时进行分类。
MNIST是一个手写数据集，是一个非常经典的神经网络示例。MNIST图像数据集包含大量数字手写图片。如下图所示，我可以尝试将其用于分类实验。
MNIST数据集包含标签信息。上面的图分别表示数字5、0、4和1。此数据集包含三个部分：
通常，培训数据集用于训练模型，以验证数据集训练的模型的正确性，以测试准确性以及是否过度拟合。测试集不可见（相当于黑匣子），但是我们的最终目的是训练有素的模型的效果（这里是准确性），以实现最佳状态。
如下图所示，计算机以此形式读取数据。例如，28*28 = 784像素，白色位置为0，黑色位置表示数字，共有55,000张图片。
MNIST数据集中的一个示例数据包含两个部分：手写图片和相应的标签。在这里，我们使用XS和YS表示图片和相应的标签。培训数据集和测试数据集包括XS和YS。使用mnist.train.images和mnist.train.labels指示训练数据集图片数据和相应的标签数据数据。
如下图所示，它表示由2828像素点矩阵组成的图片。这里的数字784（2828）放置在我们的神经网络中，它是X输入的大小，相应的矩阵如下图所示，如下图所示，标签标签为1。
最后，MNIST的训练数据集形成了一个张量，形状为55,000*784位，这是一个多维阵列。第一个维度代表图片1）的索引。
这里的y值实际上是一个矩阵。该矩阵有10个位置。如果是1，则写在1（第二个数字）1中，并写在其他位置。写1（第三个数字），另一个位置为0.在0.in中，以下是这样，分类的不同位置的数量，例如[0,0,0,1,0,0,0,0,0,0,0,0,0,0，如下图所示。
mnist.train.labels是一个两个维数为55000*10的数组，如下图所示。它代表55,000个数据点，第一个数据y表示5，第二个数据y代表0，第三个数据y表示4，代表4，代表4，y表示4，第三个数据第四个数据y代表1。
了解MNIST数据集的组成以及X和Y的特定含义，让我们开始编写Keras！
本文通过keras构建了一个分类神经网络，然后训练mnist dataset.x表示图片28*28，y对应于图像的标签。
第一步是介绍扩展包。
第二步是加载MNIST数据和预处理。
标准化每个像素点，并从0-255转换为0-1范围。
致电UP_UTILS将课程转换为10的长度。如果数字为3，则在相应的位置将其标记为1，在其他地方标记为0，即{0,0,0,0,1,0,0,0,0,0,0,0,0}。
由于MNIST数据集是KERAS或TensorFlow的示例数据，因此我们只需要以下代码来实现数据集的读取。如果数据集不存在，它将在线下载。如果数据集已下载，则将直接调用。
第三步是创建神经网络层。
在之前创建神经网络层的方法是使用add（）与add（）添加神经层。
这是另一种方法，它在Sequention（）定义时都会在列表中添加神经层。在同一时间，应注意，此处添加了神经网络激励函数，并且RMSProp加速了神经网络。
神经网络层是：
第四步，神经网络培训和预测。
完整代码：
运行代码，首先下载MNIT数据集。
然后，两个训练的结果是输出，您可以看到错误的下降和准确率的增加。最终的测试输出误差损失为“ 0.185575”，正确速率为“ 0.94690”。
如果读者想更直观地查看我们的数字分类的图形，则可以定义和显示该函数。
目前的完整代码如下：
本文分享了华为云社区的诚意，作者：Eastmount。