MNIST数字识别是机器学习项目的经典案例，在Kaggle上也有此项比赛，本文中的代码是使用TensorFlow与Keras实现的。
我已将代码放到了我的Github上，有兴趣的朋友可以看一下。
目前更新了四个版本，下面简要介绍一下每个版本的主要内容。
v0.1版本，使用的是两层全连接神经网络（不计算输入层，两层网络是指一个隐藏层和一个输出层）：
输入数据为28*28=784维向量，使用线性输入函数。
隐藏层含500个单元，使用relu激活函数。
输出层含10个单元，使用softmax输出函数。
此版本使用tensorflow的低层api训练模型，5,000轮迭代，每个批次100条数据，最终准确率为97.528%。
v0.2版本，网络结构与1.0版本一致。使用tensorflow的Keras API，200轮迭代，每个批次100条数据，最终准确率为96.342%。
我认为准确率不如上一个版本的主要原因是没有使用“滑动平均”等优化方式。使用Keras会缩减代码量，增加可读性。
v0.3版本，使用原生Keras API，使用CNN结构(LeNet-5)，20轮迭代，每个批次128条数据，最终准确率为97.8%。
LeNet-5卷积神经网络是由两个卷积层（各含一个最大池化层）和三个全连接层组成。
v1.0版本，参考Kaggle上的一个Kernel，使用Keras + TensorFlow，CNN结构在LeNet-5的基础上进行改进。（注：红色为在LeNet-5基础上新增加的层）
Input -> C2D -> C2D -> MaxPool -> DropOut -> C2D -> C2D -> MaxPool -> DropOut -> FC -> FC ->DropOut -> Out
并且还使用了“交叉验证”、“学习率衰减”、“图片数据增强”等方式，提高模型的精度。5轮迭代，每个批次86条数据，最终准确率为99.014%。
可以看到经过以上的处理，比v0.3版本的准确率提高了1.2%，效果还是比较明显的。
除v1.0版本以外（v1.0版本只包含一个文件），之前的几个版本的程序均包含5个文件，其功能一致：
constantInit.py用于参数初始化。
dataLoad.py用于数据的加载和保存。
main.py是主程序模块。
sample_submission.csv是预测的结果，可直接提交到Kaggle上。
trainingModel.py是训练模型模块。
注意：
Kaggle的数据是整型，需要先把数据转化为浮点值。Kaggle上提供2个文件，需要将训练集进行划分：
将原训练集42,000条分为：训练集38,000条，验证集4,000条。
原测试集28,000条，数量不变，只将其转为浮点数。