这里以官网的一个入门案例来进行回顾：
### 1. 导入包
```
import tensorflow as tf
```
### 2. 准备和处理数据集
```
// [MNIST 数据集](http://yann.lecun.com/exdb/mnist/)
mnist = tf.keras.datasets.mnist
// 加载训练集和测试集
(x_train, y_train), (x_test, y_test) = mnist.load_data()
```
由于图片的构成为0-255的值，且含有三个维度，所以这里为了方便进行灰度处理，也就是：
```
x_train, x_test = x_train / 255.0, x_test / 255.0
```
将其数值整到0-1的范围，其维度不变，这里不妨看下维度信息：
```
x_train.shape
y_train.shape
```
结果为：
### 3. 定义模型
示例中使用的是序列接模型：
```
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10, activation='softmax')
])
```
使用Flatten来将三维数据扁平化，变为二维数据，也就是60000x768。Dense为一个全连接层，定义为：
~~~
`output = activation(dot(input, kernel) + bias)`
~~~
传入的128，也就是units，表示输出的维度。activation为激活函数，当然它还有其余的参数：
~~~
tf.keras.layers.Dense(units, activation=None, use_bias=True,
kernel_initializer='glorot_uniform', bias_initializer='zeros',
kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None,
kernel_constraint=None, bias_constraint=None, **kwargs)
~~~
注意到这里只指定了输出的维度为128，而没有想第一层Flatten中指定input_shape，因为默认程序自己可以知道，所以不必设置。
Dropout定义为：
~~~
tf.keras.layers.Dropout(rate, noise_shape=None, seed=None, **kwargs)
~~~
主要用来防止过拟合，也就是：Dropout层在训练期间的每一步中将输入单位随机设置为0，未设置为0的输入将按1 /（1\-rate）放大，以使**所有输入的总和不变**。比如在官网中给的例子：
### 4. 模型训练
先指定一下优化器，损失函数和度量值：
```
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
```
不妨看下模型参数量：
```
model.summary()
```
然后进行拟合数据，训练：
```
model.fit(x_train, y_train, epochs=5)
```
可以看见训练过程中的结果：
### 5. 模型评估
```
model.evaluate(x_test, y_test, verbose=2)
```
