TensorFlow-MNIST（sequencial实现）

import tensorflow as tf

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#把输入特征进行归一化
#使0-255之间的灰度值变成0-1之间的数值，把输入特征的数值变小，更适合神经网络吸收
model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),#把输入特征拉直为一维数组，拉直为784个数值
    tf.keras.layers.Dense(128,activation='relu'),#定义第一层，有128个神经元
    tf.keras.layers.Dense(10,activation='softmax')#定义第二层有10个神经元，用softmax，使输出符合概率分布
    ])

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              #由于让输出符合概率分布了，不是原始输出，所以from_logits是False
              metrics=['sparse_categorical_accuracy']
              #数据集中的标签是数值，输出是概率分布，所以使用sparse_categorical_accuracy
              )
model.fit(x_train,y_train,batch_size=32,epochs=5,validation_data=(x_test,y_test),validation_freq=1)
#在fit中执行训练过程，每次喂入网络32组数据，数据集迭代5次，每迭代一次训练集执行一次测试集的评测
model.summary()
#准确率看后面  val_sparse_categorical_accuracy: 0.9767