MNIST挑战： 在MNIST数据上实现参数少于10000个的模型，并在10个周期内获得超过99％的精度 该解决方案在带有张量流后端的Keras中实现。 ADAM用作初始学习率为1e-3的优化器。 分类交叉熵被用作损失函数，而准确性被用作度量。 有一个学习率调度器，可以将学习率降低一个因数，如果与第n次运行相比验证准确性没有提高，并且在最近3个时期中学习率没有降低，则可以定制该因数。 但是，这里不使用它，因为该因子保持为1。 解决方案1：卷积模型 总参数：8,640可训练参数：8,580非可训练