首先我们要明确的是下面我们讲解的是一个很基础的神经网络，因为我们只是为了通过下面这个实例来为大家解释如何使用tensorflow2.0这个框架。整个神经网络的架构是首先是flatten层（把图片从二维转化为一维），然后经过一系列的全连接网络层，中间穿插着一些dropout层来避免过拟合，最后达到softmax层实现多分类。在整个神经网络当中并没有用到卷积神经网络，卷积神经网络会在我后面的博文当中写出。

代码如下：

import tensorflow as tf
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
#这一次我们使用softmax模型来进行对衣服，裤子，鞋子，包包图像的分类
(train_image,train_label),(test_image,test_label)=tf.keras.datasets.fashion_mnist.load_data()

加载训练以及测试的图片和label标签完毕，然后查看训练集图片的shape：

train_image.shape

输出：

(60000, 28, 28)

使用plt可以查看单个图片的式样：

#用plt交互展示出其中的一个图像
plt.imshow(test_image[4])

输出如下：

 进行数据的归一化，同时搭建神经网络：

train_image=train_image/255
test_image=test_image/255#进行数据的归一化，加快计算的进程

model=tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))#因为每一个神经元里只有一个数字，一共有15个input因此这里写15，
model.add(tf.keras.layers.Dense(200,activation="relu"))
model.add(tf.keras.layers.Dropout(0.5))#添加dropout层，抑制过拟合的效果。
model.add(tf.keras.layers.Dense(300,activation="relu"))
model.add(tf.keras.layers.Dropout(0.5))
model.add(tf.keras.layers.Dense(10,activation="softmax")) #在最后一个节点处使用softmax，因为有十个分类，这里都写错了，粗心啊！

#然后确立optimizer
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
              loss="sparse_categorical_crossentropy",
              metrics=['acc']
)
#如果l物体的label使用了顺序编码，那么我们就使用sparse_categorical_crossentropy的loss，使用了独热编码，则使用
#categorical_crossentropy的loss

编译模型：

history=model.fit(train_image,train_label,epochs=15,validation_data=(test_image,test_label))

输出：

Train on 60000 samples, validate on 10000 samples
Epoch 1/15
60000/60000 [==============================] - 5s 81us/sample - loss: 0.6924 - acc: 0.7534 - val_loss: 0.5699 - val_acc: 0.7996
Epoch 2/15
60000/60000 [==============================] - 4s 72us/sample - loss: 0.6461 - acc: 0.7688 - val_loss: 0.5634 - val_acc: 0.8051
Epoch 3/15
60000/60000 [==============================] - 4s 75us/sample - loss: 0.6292 - acc: 0.7754 - val_loss: 0.5536 - val_acc: 0.8108
Epoch 4/15
60000/60000 [==============================] - 4s 73us/sample - loss: 0.6199 - acc: 0.7784 - val_loss: 0.5492 - val_acc: 0.8065
Epoch 5/15
60000/60000 [==============================] - 4s 73us/sample - loss: 0.6223 - acc: 0.7772 - val_loss: 0.5447 - val_acc: 0.8121
Epoch 6/15
60000/60000 [==============================] - 4s 73us/sample - loss: 0.6155 - acc: 0.7783 - val_loss: 0.5331 - val_acc: 0.8164
Epoch 7/15
60000/60000 [==============================] - 4s 73us/sample - loss: 0.6053 - acc: 0.7810 - val_loss: 0.5377 - val_acc: 0.8136
Epoch 8/15
60000/60000 [==============================] - 4s 74us/sample - loss: 0.6100 - acc: 0.7821 - val_loss: 0.5338 - val_acc: 0.8220
Epoch 9/15
60000/60000 [==============================] - 4s 74us/sample - loss: 0.6069 - acc: 0.7830 - val_loss: 0.5387 - val_acc: 0.8169
Epoch 10/15
60000/60000 [==============================] - 4s 74us/sample - loss: 0.6020 - acc: 0.7843 - val_loss: 0.5317 - val_acc: 0.8223
Epoch 11/15
60000/60000 [==============================] - 4s 74us/sample - loss: 0.5986 - acc: 0.7856 - val_loss: 0.5314 - val_acc: 0.8196
Epoch 12/15
60000/60000 [==============================] - 5s 78us/sample - loss: 0.5884 - acc: 0.7900 - val_loss: 0.5329 - val_acc: 0.8188
Epoch 13/15
60000/60000 [==============================] - 5s 76us/sample - loss: 0.5959 - acc: 0.7835 - val_loss: 0.5555 - val_acc: 0.8087
Epoch 14/15
60000/60000 [==============================] - 4s 74us/sample - loss: 0.5868 - acc: 0.7871 - val_loss: 0.5269 - val_acc: 0.8304
Epoch 15/15
60000/60000 [==============================] - 5s 75us/sample - loss: 0.5880 - acc: 0.7862 - val_loss: 0.5301 - val_acc: 0.8230

模型训练完毕，现在把训练的过程以及结果用plt画出来，突出acc准确率和loss（损失的大小）：

history.history.keys()
plt.plot(history.epoch,history.history.get('loss'),label="loss")
plt.plot(history.epoch,history.history.get('val_loss'),label="val_loss")
plt.legend()

图像如下：

模型准确率的图像如下：

 从中可以看出，验证集的准确率在不断上升，虽然中途比较跌宕起伏，但是总体有上升的趋势，因此这个模型可以继续进行迭代增加模型的验证集准确率（没有过拟合的缘故）。