我们在上一次学习了使用飞桨对手写数字的图片进行数据处理。
最重要的便是数据格式转换，以及随机排序。

接下来我们讨论使用什么样的网络结构模型。
我们会发现，在前面的波士顿房价预测模型中，是一个线性回归问题，但手写数字识别显然不是，我们需要更复杂的网络去进行识别。
所以我们选择多层神经网络

配置网络：普通的多层神经网络

1. 基础模型：神经网络
   输入层+隐含层+输出层，非线性变换Sigmoid。
   输出层：单一输出。
   层数相对较多，且在其中加入一些非线性的激活函数，可以使网络表达更加复杂的关系。
   隐含层的数量可以逐层尝试，数量越多，模型表达能力更强。
   sigmoid、relu都是激活函数。
   我们这里用sigmoid（s型曲线），可以增加模型的非线性能力。

import matplotlib.pyplot as pltdef sigmoid(x):# 直接返回sigmoid函数return 1. / (1. + np.exp(-x))# param:起点，终点，间距x = np.arange(-8, 8, 0.2)y = sigmoid(x)plt.plot(x, y)plt.show()

2. 以类的方式组建网络
_init_函数：定义每层
声明输入、输出、隐含层
输入层：输入784维，输出10（为了和隐含层链接），激活函数sigmoid
隐含层：输入10*10，输出10，激活函数sigmoid
输出层：输入10，输出1，激活函数不设置，输出数字

forward函数：串联上述几个层

# 多层全连接神经网络实现class MNIST(fluid.dygraph.Layer):def __init__(self):super(MNIST, self).__init__()# 定义两层全连接隐含层，输出维度是10，激活函数为sigmoidself.fc1 = Linear(input_dim=784, output_dim=10, act=\'sigmoid\') # 隐含层节点为10，可根据任务调整self.fc2 = Linear(input_dim=10, output_dim=10, act=\'sigmoid\')# 定义一层全连接输出层，输出维度是1，不使用激活函数self.fc3 = Linear(input_dim=10, output_dim=1, act=None)# 定义网络的前向计算def forward(self, inputs, label=None):inputs = fluid.layers.reshape(inputs, [inputs.shape[0], 784])outputs1 = self.fc1(inputs)outputs2 = self.fc2(outputs1)outputs_final = self.fc3(outputs2)return outputs_final

批次计算与之前相同，但要加一个维度，大小为batchsize。

配置网络：卷积神经网络

卷积神经网络专门为图像设计。
虽然使用经典的全连接神经网络可以提升一定的准确率，但对于计算机视觉问题，效果最好的模型仍然是卷积神经网络。卷积神经网络针对视觉问题的特点进行了网络结构优化，更适合处理视觉问题。
但是，转换是有损失的

卷积层核心设计：局部视野、参数共享

池化层：保留主要特征

使用卷积核去扫整个图片。
使用Conv2D,Pool2D直接实现。

最后：我们会发现，卷积网络的损失值下降更快，且损失值更小。