3从0实现softmax训练，实现Fashion-MNIST分类

一. 数据集介绍

1. Fashion-MNIST由10个类别的图像组成， 每个类别由训练数据集（train dataset）中的6000张图像 和测试数据集（test dataset）中的1000张图像组成。 因此，训练集和测试集分别包含60000和10000张图像。 测试数据集不会用于训练，只用于评估模型性能。
2. Fashion-MNIST中包含的10个类别，分别为t-shirt（T恤）、trouser（裤子）、pullover（套衫）、dress（连衣裙）、coat（外套）、sandal（凉鞋）、shirt（衬衫）、sneaker（运动鞋）、bag（包）和ankle boot（短靴）

二. 训练模型

1. 实质也是一个线性回归模型，softmax得到的是各个类别的概率，这些概率总和为1，
2. 训练过程跟之前一样，定义模型、定义损失函数、分类精度只是方便我们衡量检测效果，不参与训练过程的参数优化，
3. 训练代码：

import tensorflow as tf
from IPython import display
from d2l import tensorflow as d2l

# 载入数据集，分为训练集和测试集，图片尺寸28*28
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)

# 初始化模型参数
# 图片尺寸为28*28=784，拉长w就是784 y = w * X + b
# 输出为10个种类各自的概率，概率和为1
num_inputs = 784
num_outputs = 10

W = tf.Variable(tf.random.normal(shape=(num_inputs, num_outputs), mean=0, stddev=0.01))

b = tf.Variable(tf.zeros(num_outputs))

# 定义softmax分类
# tf.reduce_sum(X, 0, keepdims=True) X列求和
# tf.reduce_sum(X, 1, keepdims=True) X行求和
def softmax(X):
  X_exp = tf.exp(X)
  partition = tf.reduce_sum(X_exp, 1, keepdims=True)
  return X_exp / partition

# 定义模型 y = w * X + b
def net(X):
  return softmax(tf.matmul(tf.reshape(X, (-1, W.shape[0])), W) + b)

# 定义损失函数，使用的是交叉熵损失函数
# 尺寸格式要转换为一样
def cross_entropy(y_hat,