构建基础神经网络

• 目的

1. 学会张量相关的运算编程，可以阐述反向传播和梯度下降学习过程。
2. 会搭建简单神经网络实现手写体图像集识别。

• 内容

    1、张量运算

    2、MNIST手写体识别

• 步骤

1. 加载数据集

      train_images和train_labels组成了训练集，模型将从这些数据中进行学习。然后在测试集上对        模型进行测试

1. 网络构架

      构建两个Dense层（全连接的神经层）

1. 编译

     选择编译步骤的三个参数：损失函数（loss function）、优化器（optimizer）、在训练和测试     过程中需要监控的指标（metric）。

    对数据进行预处理，将其变为网络要求的形状，并缩放到所有值都在[0，1]区间。

    对标签进行分类编码

    调用网络的fit方法来完成拟合模型

   训练过程显示了两个数字：网络在训练数据上的损失（loss）；网络在训练数据上的精度       （acc）。

   检查模型在测试集上的性能

• 总结

    测试集精度为97.9%，比训练集精度低不少。训练集精度与测试集精度之间的差距由于过拟合        造成。