1.导入tf.keras模块
tf.keras是TensorFlow对Keras API（application programming interface应用程序接口）规范的实现。 这是用于构建和训练模型的高级API，它是tensorflow超级重要的模块， tf.keras使TensorFlow易于使用，同时不会牺牲灵活性和性能。
一般习惯在电脑里创建一个新的环境：
-n_name_python=3.6
conda create -n TF_miao python=3.6
按照正常套路配置环境，要注意更新版本
conda activate TF_miao
conda install tensorflow
pip install --upgrade tensorflow
pip install --upgrade grpcio
首先，TensorFlow程序设置中导入tf.keras：
from
ps:
tf.keras可以运行任何与Keras兼容的代码，但是：TensorFlow最新发行版中的tf.keras版本可能与PyPI的最新keras版本不同。
2.建立一个简单模型
在Keras中，可以组装图层以构建模型。 模型（一般来讲）是层图。 最常见的模型类型是一叠图层：tf.keras.Sequential模型。
构建简单的全连接网络（即多层感知器）（fully-connected network）：
from
（关于ReLU激活函数是什么明天再看。。）
3.配置层Configure the layers
有许多可用的tf.keras.layers共享一些常见的构造函数参数：
activation：设置图层的激活功能。 该参数由内置函数的名称指定或作为可调用对象指定。 默认情况下，不做应用。
kernel_initializer和bias_initializer：用于创建层权重（kernel and bias）的初始化方案。 此参数是名称或可调用对象。 默认为“ Glorot uniform”初始化程序。
kernel_regularizer和bias_regularizer：应用层权重（kernel and bias）的正则化方案，例如L1或L2正则化。 默认情况下，不应用任何正则化。
使用构造函数参数实例化tf.keras.layers.Dense层：
# Create a sigmoid layer:
4.训练和评估
设置训练：
构建模型后，通过调用compile方法配置其学习过程：
model
tf.keras.Model.compile takes three important arguments:
optimizer: 接近最佳值（用来求最佳的kernel and bias）
loss: 定义损失 判断模型性能。如果loss过大，说明距离label偏差过大（效果不好）
metrics: 监视训练中的值的变化。
另外，为了确保模型能够训练和评估，可以确保将run_eagerly = True作为参数。
data
一个超简单的模型就搭建好了：
import
结果肯定是不好的，因为让他分类随机数也太为难他了。。明天试试看生成几个高斯分布给他分类看看
ps:期末考试这段时间一直没什么进度，立个flag春假真的不能偷懒了！！
