参考：https://www.jianshu.com/p/86051c14d434
1.出现了过拟合现象，在epoch=30的情况下：
损失loss:
精度acc:
所以根据上述图像选择epoch=5得到结果，提交到kaggle上，获得分数0.98414。
1.尝试加入dropout层
model.add(Flatten())
model.add(Dropout(0.5))
在flatten之后，
损失loss:
可以比较明显地看出，良好地解决了过拟合的问题，（至于在16epoch的时候为什么损失突然升高，不明白。）
精度acc:
这次结果提交分数为0.98671。
2.调参？
没有调整学习率，尝试对batch_size调整。
根据第三小节的实验，发现使用adam+dropout效果最好。所以将其作为基线，对模型调参batch_size。
将batch_size由32改为128，其他均选择最优结果。
loss:
精度：
提交到kaggle的结果为：0.99057，为什么和32一样？接着尝试一下batch_size=64
看起来效果不错，提交到kaggle评分为：0.98942，结果没有那么好。
3.使用其他的优化方法
初始使用的是rmsprop；
sgd：（加dropout）
loss
//相较于rmsprop更平滑。
acc:
但是效果看起来没有rms好，提交之后的结果
对sgd也去掉dropout之后，也出现了过拟合：
adam：（dropout）
发现是有过拟合的趋势的。
看精度，也获得了和rsm相似的很好的效果。
将本次结果提交，kaggle评分为0.99057。又有了新的提升。