一.功能模块：1.数据可视化：数据为MATLAB格式，首先用scipy库导入数据，共5000个数据样本，每个样本中有401个特征值。其中400个为每个手写数字图片的400个像素亮度值，1个为其实际的真实数字。导入数据后通过matplotlib.pyplot绘制一部分样本图片。2.搭建神经网络模型：模型包括了一个输入层（25个单元）、一个隐藏层（15个单元）、一个输出层（10个单元），激活函数分别使用relu\relu\softmax，损失函数为SparseCategoricalCrossentropy()，最终10个输出的是为各个单元对应数字的概率。3.数据集划分：通过sklearn模块的train_test_split，将数据集划分为490个数据的训练集和10个数据的测试集。4.训练模型：训练之前先处理一下数据集中的实际对应数字，因为其范围为1-10，应该将其进行减一操作至0-9，再进行model.fit，迭代次数设置为100次。5.测试集测试：model.predict方法得出各个数字的概率，取概率最大的那个单元对应的数字，再加一输出。
2.技术栈：机器学习，tensorflow,python，matplotlib，sklearn