#图片的长和宽的像素数
（x_train，y_train），（x_test，y_test）=mnist.load_data（path="D：\\"）
#如果方便访问亚马逊云，可以用（x_train，y_train），（x_test，y_test）=
#mnist.load_data（ ）来自动下载数据。如果已经从教材资源平台将数据下载
#到本地，#假设保存在D盘根目录下，就使用上述命令形式。需要注意的是，
#为了和linux兼容，windows下的路径反斜杠"\"都要写成"\\"另外，
#上述命令将数据分为训练数据和验证数据。无论是训练集还是验证集，都令x
#是输入数据，y是输出数据
ifK.image_data_format（）=='channels_first'：
x_train=x_train.reshape（x_train.shape[0]，1，img_rows，img_cols）
x_test=x_test.reshape（x_test.shape[0]，1，img_rows，img_cols）
input_shape=（1，img_rows，img_cols）
else：
x_train=x_train.reshape（x_train.shape[0]，img_rows，img_cols，1）
x_test=x_test.reshape（x_test.shape[0]，img_rows，img_cols，1）
input_shape=（img_rows，img_cols，1）
#因为Theano和TensorFlow定义的图片格式不同，这里针对不同的后台对
#数据进行处理，读者暂且可以不用深究
x_train=x_train.astype（'float32'）
x_test=x_test.astype（'float32'）
x_train/=255
x_test/=255
print（'x_trainshape：'，x_train.shape）
print（x_train.shape[0]，'trainsamples'）
print（x_test.shape[0]，'testsamples'）
#上述命令给出训练集和测试集的维度，输出如下：
#x_trainshape：（60000，28，28，1）
#60000trainsamples
#10000testsamples
y_train=.to_categorical（y_train，num_classes）
y_test=.to_categorical（y_test，num_classes）
#上述命令将训练数据和验证数据的类别转化成keras支持的格式
#通过以下代码构建深度网络，使用2D卷积层，池化层、Dropout层、压平
#层等
model=Sequential（）
（Conv2D（32，kernel_size=（3，3），
activation='relu'，
input_shape=input_shape））
（Conv2D（64，（3，3），activation='relu'））
（MaxPooling2D（pool_size=（2，2）））
