mnist数据集获取60000个训练样本和10000个测试样本，样本为0-9十个数字，用全连接神经网络进行训练，并测试结果。
例程采用60000个数据样本进行训练，对于一般的电脑来说，这样训练会比较费时间，学习测试较慢
所以，可以加入以下几行代码：
# mnist has 60000 datas,down to 6000 to accelerate x_train=x_train[:6000] y_train=y_train[:6000] 将原始60000个样本只取前6000个样本进行训练 例程的核心代码为（部分数值有修改）： model = Sequential() model.add(Dense(512, activation=‘relu‘, input_shape=(784,))) model.add(Dropout(0.2)) model.add(Dense(64, activation=‘relu‘)) model.add(Dropout(0.2)) model.add(Dense(num_classes, activation=‘softmax‘))
依次理解笔记：
model.add(Dense(512, activation=‘relu‘, input_shape=(784,)))
为model添加Dense层，即全链接层，该层有784维输入，512为输出
model.add(Dropout(0.2))
添加Dropout层，训练时概率性丢弃
model.add(Dense(64, activation=‘relu‘))
再次添加Dense层，64维输出（输入为前一层，512维）
model.add(Dense(num_classes, activation=‘softmax‘))
再次添加Dense层，10维输出（num_classes=10，即0-9十个数字）
所以我们大致能够知道，神经网络是输入784维，第一层512维，第二层64维，输出10维。
在例程末尾，可以添加两句
model.summary() print (model.get_weights())
