我正在尝试学习Keras。我在这里看到了用于识别手写数字的机器学习代码这里（也给出了这里）。它似乎从头开始编写了前馈、SGD和反向传播方法。我只想知道是否可以使用Keras编写这个程序？朝这个方向迈出的第一步将不胜感激。
回答：
你可以先用这个来了解MNIST数据集如何用于多层感知器（MLP）。Keras MNIST教程。随着你的进展，你可以研究卷积神经网络（CNN）如何在MNIST数据集上工作。
我将描述你附在评论中的Keras代码的过程
# 步骤1：组织数据
batch_size = 128 # 这将60k张图像分成128张一批，通常人们使用100。你可以自己决定
num_classes = 10 # 你的最终层。基本上是0到9（10个类别）
epochs = 20 # 20次'运行'。你可以增加或减少以查看准确性的变化。通常MNIST的准确性在10-20个epochs时达到峰值。
# 数据，划分为训练和测试集
(x_train, y_train), (x_test, y_test) = mnist.load_data() # x_train - 你的训练图像，y_train - 训练标签；x_test - 测试图像，y_test - 测试标签。通常人们在50k训练图像，10k测试图像上进行训练。
x_train = x_train.reshape(60000, 784) # 每个MNIST图像是28x28像素。所以你将它展平为28x28 = 784的数组。60k训练图像
x_test = x_test.reshape(10000, 784) # 同样，10k测试图像
x_train = x_train.astype('float32') # 用于浮点数
x_test = x_test.astype('float32')
x_train /= 255 # 用于归一化。每张图像的'黑暗度'范围在0-255之间，所以你希望将其范围缩小到0 - 1以供神经网络使用
x_test /= 255
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')
# 将类别向量转换为二进制类别矩阵
y_train = keras.utils.to_categorical(y_train, num_classes) # 独热编码。所以当你的神经网络训练好后，你对5（示例）的预测将看起来像这样 [0000010000]（最终层）。
y_test = keras.utils.to_categorical(y_test, num_classes)
# 步骤2：创建MLP模型
model = Sequential()
model.add(Dense(512, activation='relu', input_shape=(784,))) # 第一隐藏层，512个神经元，激活函数relu，输入784数组
model.add(Dropout(0.2)) # 在训练过程中，层有20%的概率'关闭'某些神经元
model.add(Dense(512, activation='relu')) # 与上面相同
model.add(Dropout(0.2))
model.add(Dense(num_classes, activation='softmax')) # 最终层，10个神经元，softmax是一个概率函数，用于给出输入图像的最佳概率
model.summary()
# 步骤3：创建模型编译
model.compile(loss='categorical_crossentropy',
optimizer=RMSprop(),
metrics=['accuracy'])
# 10个类别 - 使用categorical_crossentropy。如果是2个类别，可以使用binary_crossentropy；优化器 - RMSprop，你可以将其更改为ADAM，SGD等；度量 - 准确性
# 步骤4：训练模型
history = model.fit(x_train, y_train,
batch_size=batch_size,
epochs=epochs,
verbose=1,
validation_data=(x_test, y_test))
# 训练在这里进行。在每个批次大小上进行20次运行，然后在测试集上验证你的结果。
# 步骤5：查看你在测试数据上的结果
score = model.evaluate(x_test, y_test, verbose=0)
# 打印出分数
print('Test loss:', score[0])
print('Test accuracy:', score[1])