实现了鸢尾花数据集的分类后，使用手写数字训练集....
使用Sequential 搭建网络结构
第一步：
#导入相关的模块
import tensorflow as tf
第二步
#导入数据集
mnist=tf.keras.datasets.mnist
(x_train,y_train),(x_test,y_test)=mnist.load_data()
x_train,x_test=x_train/255.0,x_test/255.0
这里使用的了归一化，x_train和x_test为数据集的输出数据，而
y_test,x_test则是标签，不需要进行归一化，归一化大大简短了跑
模型的时间，将数据集列表中的集转化成0-1之间的小数。
第三步
model=tf.keras.models.Sequential([ #用Sequential搭建网络模型
tf.keras.layers.Flatten(),#将其拉直成一个一维数组
tf.keras.layers.Dense(128,activation='relu'), #使用全连接
层，神经元个数为128，激活函数使用'relu'
tf.keras.layers.Dense(10,activation='softmax')
#同上]）
第四步
model.compile( #配置训练方法 optimizer='adam', #选择优化器为'adam'
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=Falsh)
#损失函数，因为存在概率分布from_logits=Flash
metrics=['sparse_categorical_accuracy'] )
#存在概率分布
第五步
#执行训练过程
model.fit(x_train,y_train,#导入数据集 batch_size=32 #每一批输送的batch为32 ,epochs=5 #迭代5次,validation_data=(x_test,y_test) #使用的测试集, validation_freq=1 #每迭代一次输出结果)
第六步
model.summary() #输出网络结构
使用class搭建
第一步
import tensorflow as tf
from keras import Model #calss使用继承tensorflow的Model模块
from keras.layers import Flatten,Dense #大量网络层，可以使用引用，节省打字量
第二步
mnist=tf.keras.datasets.mnist
(x_train,y_train),(x_test,y_test)=mnist.load_data
x_train,y_train=x_train/255.0,y_train/255.0
第三步
calss MnistModel(Model):
def __init__(self):
super(MnistModel,self).__init__()
self.flatten=Flatten()
self.d1=Dense(128,activation='relu')
self.d2=Dense(10,activation='softmax')
def call(self,x):
x=self.flatten(x)
x=self.d1(x)
y=self.d2(x)
return y
第四步
model.compile(optimizers='adam'
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=Falsh),
metrics=['sparse_categorical_accuracy'])
第五步
model.fit(x_train,y_train,batch_size=32,epochs=5,validation_data=(x_test,y_test),validation_freq=1)
第六步
model.summary()
取自中国mooc 曹健教授
