1.手写数字数据集
from sklearn.datasets import load_digits
digits = load_digits()
（1）导入数据包
（2）读取数据
2.图片数据预处理
x：归一化MinMaxScaler()
y：独热编码OneHotEncoder()或to_categorical
训练集测试集划分
张量结构
（1）x：归一化MinMaxScaler()，y：独热编码OneHotEncoder()
结果如图：
3.设计卷积神经网络结构
绘制模型结构图，并说明设计依据。
模型结构如图：
设计理念依据：
（1）传递一个input_shape的关键字参数给第一层，input_shape是一个tuple类型的数据，其中也可以填入None，如果填入None则表示此位置可能是任何正整数。数据的batch大小不应包含在其中
（2）传递一个batch_input_shape的关键字参数给第一层，该参数包含数据的batch大小。该参数在指定固定大小batch时比较有用，例如在stateful RNNs中。事实上，Keras在内部会通过添加一个None将input_shape转化为batch_input_shape
（3）有些2D层，如Dense，支持通过指定其输入维度input_dim来隐含的指定输入数据shape。一些3D的时域层支持通过参数input_dim和input_length来指定输入shape。
（4）优化器optimizer：该参数可指定为已预定义的优化器名
（5）损失函数loss：该参数为模型试图最小化的目标函数
（6）由于图像尺寸较小，故卷积核尺寸设置为3×3，三个卷积-池化层的卷积核数量分别设置为16、32、64。
4.模型训练
5.模型评价
model.evaluate()
交叉表与交叉矩阵
pandas.crosstab
seaborn.heatmap