输出层的神经元个数，一般应该与输出结果的分类数相同。
数字手写识别，是一个10分类任务，共有10种不同的输出，因此，输出层就应该拥有10个神经元。
当输出层的某个神经元被激活时，就代表图片被识别为其所代表的数字。
这里一般用softmax函数实现多分类。
先把来自上一层的输入，映射为0~1之间的实数，进行归一化处理，保证多分类的概率之和刚好为1。
然后用softmax分别计算10个数字的概率，选择其中最大的一个，激活对应的神经元，完成整个网络的输出。
至于隐藏层的数量，以及其中包含的神经元数目，并没有什么一定的规范，完全可以随意设置。
隐藏层越多，模型的学习能力和表现力就越强，但也更加容易产生过拟合。
所以需要权衡利弊，选取一个最优的方案。
起步阶段，暂时先设定一个隐藏层，其中包含100个神经元，然后在实践中，根据反馈效果慢慢调整……
确定了网络的拓扑结构后，接下来就可以编写代码并调试了。
调试通过，就加载数据集，进行训练，最后用训练好的网络，进行预测。
就是这么一个过程。
江寒先写了一个标准的fcn模板，让其能利用训练数据集，进行基本的训练。
理论上来说，可以将18万条数据，整体放进网络中进行训练。
但这种做法有很多缺点。
一来消耗内存太多，二来运算压力很大，训练起来速度极慢。
更严重的是，容易发生严重的过拟合。
要想避免这些问题，就要采取随机批次训练法。