首先我們要明確的是下面我們講解的是一個很基礎的神經網絡，因為我們只是為了通過下面這個實例來為大家解釋如何使用tensorflow2.0這個框架。整個神經網絡的架構是首先是flatten層（把圖片從二維轉化為一維），然后經過一系列的全連接網絡層，中間穿插着一些dropout層來避免過擬合，最后達到softmax層實現多分類。在整個神經網絡當中並沒有用到卷積神經網絡，卷積神經網絡會在我后面的博文當中寫出。
代碼如下：
import tensorflow as tf import pandas as pd import numpy as np import matplotlib.pyplot as plt #這一次我們使用softmax模型來進行對衣服，褲子，鞋子，包包圖像的分類 (train_image,train_label),(test_image,test_label)=tf.keras.datasets.fashion_mnist.load_data()
加載訓練以及測試的圖片和label標簽完畢，然后查看訓練集圖片的shape：
train_image.shape
輸出：
(60000, 28, 28)
使用plt可以查看單個圖片的式樣：
#用plt交互展示出其中的一個圖像 plt.imshow(test_image[4])
輸出如下：
進行數據的歸一化，同時搭建神經網絡：
train_image=train_image/255 test_image=test_image/255#進行數據的歸一化，加快計算的進程 model=tf.keras.Sequential() model.add(tf.keras.layers.Flatten(input_shape=(28,28)))#因為每一個神經元里只有一個數字，一共有15個input因此這里寫15， model.add(tf.keras.layers.Dense(200,activation="relu")) model.add(tf.keras.layers.Dropout(0.5))#添加dropout層，抑制過擬合的效果。 model.add(tf.keras.layers.Dense(300,activation="relu")) model.add(tf.keras.layers.Dropout(0.5)) model.add(tf.keras.layers.Dense(10,activation="softmax")) #在最后一個節點處使用softmax，因為有十個分類，這里都寫錯了，粗心啊！ #然后確立optimizer model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.001), loss="sparse_categorical_crossentropy", metrics=['acc'] ) #如果l物體的label使用了順序編碼，那么我們就使用sparse_categorical_crossentropy的loss，使用了獨熱編碼，則使用 #categorical_crossentropy的loss
編譯模型：
history=model.fit(train_image,train_label,epochs=15,validation_data=(test_image,test_label))
輸出：
Train on 60000 samples, validate on 10000 samples Epoch 1/15 60000/60000 [==============================] - 5s 81us/sample - loss: 0.6924 - acc: 0.7534 - val_loss: 0.5699 - val_acc: 0.7996 Epoch 2/15 60000/60000 [==============================] - 4s 72us/sample - loss: 0.6461 - acc: 0.7688 - val_loss: 0.5634 - val_acc: 0.8051 Epoch 3/15 60000/60000 [==============================] - 4s 75us/sample - loss: 0.6292 - acc: 0.7754 - val_loss: 0.5536 - val_acc: 0.8108 Epoch 4/15 60000/60000 [==============================] - 4s 73us/sample - loss: 0.6199 - acc: 0.7784 - val_loss: 0.5492 - val_acc: 0.8065 Epoch 5/15 60000/60000 [==============================] - 4s 73us/sample - loss: 0.6223 - acc: 0.7772 - val_loss: 0.5447 - val_acc: 0.8121 Epoch 6/15 60000/60000 [==============================] - 4s 73us/sample - loss: 0.6155 - acc: 0.7783 - val_loss: 0.5331 - val_acc: 0.8164 Epoch 7/15 60000/60000 [==============================] - 4s 73us/sample - loss: 0.6053 - acc: 0.7810 - val_loss: 0.5377 - val_acc: 0.8136 Epoch 8/15 60000/60000 [==============================] - 4s 74us/sample - loss: 0.6100 - acc: 0.7821 - val_loss: 0.5338 - val_acc: 0.8220 Epoch 9/15 60000/60000 [==============================] - 4s 74us/sample - loss: 0.6069 - acc: 0.7830 - val_loss: 0.5387 - val_acc: 0.8169 Epoch 10/15 60000/60000 [==============================] - 4s 74us/sample - loss: 0.6020 - acc: 0.7843 - val_loss: 0.5317 - val_acc: 0.8223 Epoch 11/15 60000/60000 [==============================] - 4s 74us/sample - loss: 0.5986 - acc: 0.7856 - val_loss: 0.5314 - val_acc: 0.8196 Epoch 12/15 60000/60000 [==============================] - 5s 78us/sample - loss: 0.5884 - acc: 0.7900 - val_loss: 0.5329 - val_acc: 0.8188 Epoch 13/15 60000/60000 [==============================] - 5s 76us/sample - loss: 0.5959 - acc: 0.7835 - val_loss: 0.5555 - val_acc: 0.8087 Epoch 14/15 60000/60000 [==============================] - 4s 74us/sample - loss: 0.5868 - acc: 0.7871 - val_loss: 0.5269 - val_acc: 0.8304 Epoch 15/15 60000/60000 [==============================] - 5s 75us/sample - loss: 0.5880 - acc: 0.7862 - val_loss: 0.5301 - val_acc: 0.8230
模型訓練完畢，現在把訓練的過程以及結果用plt畫出來，突出acc准確率和loss（損失的大小）：
history.history.keys() plt.plot(history.epoch,history.history.get('loss'),label="loss") plt.plot(history.epoch,history.history.get('val_loss'),label="val_loss") plt.legend()
圖像如下：
模型准確率的圖像如下：
從中可以看出，驗證集的准確率在不斷上升，雖然中途比較跌宕起伏，但是總體有上升的趨勢，因此這個模型可以繼續進行迭代增加模型的驗證集准確率（沒有過擬合的緣故）。