在Fashion MNIST数据集上使用tf.keras完成对服饰图像分类的神经网络模型。
1，导入数据集
数据大小：70000张 灰度图像， 10个类别 28*28的像素
==> 60000张图像 用于训练， 10000张 用来评估
2，探索数据
3，预处理数据
灰度值 0-255 缩小到 0-1
4，构建模型
1）配置层
扁平化像素： 28*28 ==> 1* 784 转换成1维数组
第一个Dense层具有 128个节点 即 784*128
第二个Dense层具有 10个节点 即 128 * 10
softmax层 ==> 返回具有10个概率得分的数组
2）编译模型
* 损失函数，衡量模型在训练期间的准确率
* 优化器，根据模型看到的数据及其损失函数更新模型的方式
* 指标，用于监控训练和测试步骤
5，训练模型
1） 将训练数据递送到模型中 model.fit()
2）模型学习将图像和标签相关联
在模型训练期间，系统会显示损失和准确率指标。该模型在训练数据上的准确率达到 0.88（即 88%）
3）使用模型对测试集进行预测
6，评估准确率
测试集上的准确率为0.87 < 0.88
结果表明，模型在测试数据集上的准确率略低于在训练数据集上的准确率。
==> 过拟合
7，做出预测
模型上线，对未标注的图像进行预测
代码见链接：
https://github.com/shuqingjinse/NLP_homework_2/blob/master/simple_tensorflow.py