我们先把官方的代码抄写一遍，然后逐个解析学习其中不懂的地方。
# 导入Tensorflow模块
import tensorflow as tf
# 起别名
mnist = tf.keras.datasets.mnist
# 加载mnist数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 把训练集从整数转换为浮点数
x_train, x_test = x_train / 255.0, x_test /255.0
# 通过堆叠，构建tf.keras.Sequential模型
model = tf.keras.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')
])
# 选择一个 优化器 和 损失函数 用来训练
model.compile(
optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy']
)
# 训练并评估模型
model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test, verbose=2)tf.keras.layers.Flatten
Flatten把多维数据一维化，比如你输入的数据是3x3x3的三维数据，通过flatten操作，可以得到一个27个参数的一维数据。（27 = 3 x 3 x 3）
相当于把一堆堆在一起的苹果，一颗接着一颗放在在一条横线上，呈一字排开。
flatten不影响batch的大小
用法：
model = Sequential()
model.add(Convolution2D(64, 3, 3,
border_mode='same',
input_shape=(3, 32, 32)))
# now: model.output_shape == (None, 64, 32, 32)
model.add(Flatten())
# now: model.output_shape == (None, 65536)tf.keras.layers.Dense
Dense implements the operation:
output = activation(dot(input, kernel) + bias)where activation is the element-wise activation function passed as the activation argument,
kernel is a weights matrix created by the layer,
and bias is a bias vector created by the layer (only applicable if use_bias is True).
element-wise 元素层面上的
Note: If the input to the layer has a rank greater than 2, then it is flattened prior to the initial dot product with kernel.(理解不了，layer has a rank greater than 2)
例子：
# as first layer in a sequential model:
model = Sequential()
model.add(Dense(32, input_shape=(16,)))
# now the model will take as input arrays of shape (*, 16)
# and output arrays of shape (*, 32)
# after the first layer, you don't need to specify
# the size of the input anymore:
# 在第一层之后就不用管输入的形状了。
model.add(Dense(32))参数：
units: Positive integer, dimensionality of the output space.
正整数，输出空间的shape的维度
activation: Activation function to use. 要使用的激活函数
If you don't specify anything, no activation is applied (ie. "linear" activation: a(x) = x).如果你不指定激活函数，激活函数相当于没有（相当于 y = x 相当于输入什么就输出什么）
use_bias: Boolean, whether the layer uses a bias vector.
是否使用偏移向量
kernel_initializer: Initializer for the kernel weights matrix.
卷积核矩阵的初始化器
bias_initializer: Initializer for the bias vector.
偏置向量的初始化器
kernel_regularizer: Regularizer function applied to the kernel weights matrix.
卷积核的正则化器
bias_regularizer: Regularizer function applied to the bias vector.
偏置向量的正则化器
activity_regularizer: Regularizer function applied to the output of the layer (its "activation")..
kernel_constraint: Constraint function applied to the kernel weights matrix.
bias_constraint: Constraint function applied to the bias vector.什么是正则化？
简单来说，正则化是一种为了减小测试误差的行为(有时候会增加训练误差)。
我们在构造机器学习模型时，最终目的是让模型在面对新数据的时候，可以有很好的表现。
当你用比较复杂的模型比如神经网络，去拟合数据时，很容易出现过拟合现象(训练集表现很好，测试集表现较差)，这会导致模型的泛化能力下降，这时候，我们就需要使用正则化，降低模型的复杂度。
tf.keras.datasets.mnist
加载mnist数据集。
什么是mnist数据集？
首先看官网的解释，再看看百度搜索前两个博客的解释，如下链接，看完后相信你对mnist数据集会有一个初步的认识。
mnist数据集官网：http://yann.lecun.com/exdb/mnist/
简述的一篇介绍mnist的博客：https://www.jianshu.com/p/d282bce1a999
博客园的一篇介绍mnist的博客：
mnist.load_data()
tf.keras.datasets.mnist.load_data(path='mnist.npz')参数:
path: path where to cache the dataset locally (relative to ~/.keras/datasets).
返回值:
Tuple of Numpy arrays: (x_train, y_train), (x_test, y_test).
一般用法：
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()为什么要转化为浮点数
实际上，这个步骤是 归一化处理 的经典应用。
归一化处理 是数据预处理的内容之一。
人工智能训练需要数据，而数据参差不一，需要加工到符合一个标准范式的程度。
所以需要专门了解一下数据预处理的知识
tf.keras.Sequential
官方解释:https://tensorflow.google.cn/api_docs/python/tf/keras/Sequential?hl=en Sequential可以理解为：神经网络层(layer) 的 堆叠。
众所周知：构建一个模型需要很多层，输入层，隐藏层，输出层，等等。
Sequential就是可以方便的按顺序添加指定的层，添加完了层，模型就构建好了，
让你不用担心层与层之间的架构设计。
所以，我们需要学习Sequential的知识
参数:
layers: list of layers to add to the model.
总结：
这是官方关于TF2.0的第一个教程源码。
我们从它这里获取的信息节点有：
1，MNIST数据集
2，数据预处理
3，Sequential模型
总结出信息节点，就可以去百度搜索信息了。
总之，训练神经网络需要数据集，数据集需要预处理，搭建模型可以用Sequential
，训练和评估可以使用Sequential提供的函数
有了这个方向，就可以前进了，因为选择往往比努力更重要。
现在要做的就是不停的问类似下面的问题：
why and how?
数据集是什么？
怎么对数据集进行预处理？
怎么搭建模型？
Sequential是什么？
然后还会发展出很多小的问题，只要把每个小问题都搞懂，合起来这些大问题就搞懂了。
最重要的是，细节，细节，细节。
开始搜集信息
什么是MNIST？官网是这么说的
The MNIST database of handwritten digits, available from this page, has a training set of 60,000 examples, and a test set of 10,000 examples. It is a subset of a larger set available from NIST. The digits have been size-normalized and centered in a fixed-size image.
It is a good database for people who want to try learning techniques and pattern recognition methods on real-world data while spending minimal efforts on preprocessing and formatting.
我觉得它大概是说MNIST是NIST数据集的子集，而且适合新手学习使用，有一大堆手写数字图片，而且裁剪整齐了。
Tensorflow把MNIST加载为Turple of Numpy arrays 也就是(x_train, y_train), (x_test, y_test) 这种形式。
什么是Turple of Numpy arrays？
百度没查到，所以我就直接理解为 Numpy数组的元组，有点不通顺，无法理解，所以继续细分问题。
Turple是什么？
元组（Turple）与列表类似，不同点是： 元组的元素不可修改； 元组使用圆括号()，列表使用方括号[]。
内容太多了，贴个链接后边再学
https://www.jianshu.com/p/a4394612f887
好了，把Turple学了一点，并写了博客↓
python的array是什么？
能搜到一大堆，太多了，基础不扎实的时候，就会发生这种现象，
遇到不会的，去查，结果发现一大堆需要学的。
那么这个时候是去学一大堆基础知识，还是继续手头的学习呢？
很让人纠结，所以每当发生这种情况时，我都会先去学基础知识，而搁置当前的内容。
把当前内容做个记录，当基础知识学完后，再来看这里的内容，就能理解了
那么Numpy数组和python的数组有什么区别？
numpy turple 和python turple有啥区别？
能提出很多问题，说明基础不扎实，说明得去补基础
补完基础才能继续后面的学习。
