# 手寫數字（mnist）
訓練集為 60,000 張 28x28 像素灰度圖像，測試集為 10,000 同規格圖像，總共 10 類數字標簽。
## 用法：
~~~
from AADeepLearning.datasets import mnist
import matplotlib.pyplot as plt
# mnist數據集已經被劃分成了60,000個訓練集，10,000個測試集的形式，按以下格式調用即可
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 畫出minist 數字
fig = plt.figure()
plt.imshow(x_test[0],cmap = 'binary')#黑白顯示
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)
~~~
```
#輸出
x_train shape: (60000, 28, 28)
y_train shape: (60000,)
x_test shape: (10000, 28, 28)
y_test shape: (10000,)
```
**返回：**
* 2 個元組：
* **x\_train, x\_test**: uint8 數組表示的灰度圖像，尺寸為 (num\_samples, 28, 28)。
* **y\_train, y\_test**: uint8 數組表示的數字標簽（范圍在 0-9 之間的整數），尺寸為 (num\_samples,)。
- 序言
- 安裝
- 快速體驗
- 配置
- 層（layer）
- 展平（flatten）
- 全連接（fully connected）
- 卷積（convolutional）
- 池化（pooling）
- 標準化（batch normalization）
- 失活（dropout）
- 循環（RNN）
- 長短期記憶（LSTM）
- 激活函數（activation）
- relu
- sigmoid
- tanh
- 損失（loss）
- 交叉熵損失（softmax）
- 折頁損失（SVM或Hinge）
- 優化器（optimizer）
- 帶動量學習率自適應（adam）
- 動量（momentum）
- 學習率自適應（rmsprop）
- 隨機梯度下降（sgd）
- 模型（model）
- 保存（save）
- 載入（reload）
- 繼續訓練（continue train）
- 數據集（datasets）
- 手寫數字（mnist）
- 時尚物品（Fashion-MNIST）
- 10種物體分類（cifar10）
- 100種物體分類（cifar100）
- 電影評論情感分類（imdb）
- 路透社新聞主題分類（reuters）
- 可視化（visualization）
- 損失曲線（loss）
- 準確率曲線（accuracy）