首先是导入tensorflow：

import tensorflow as tf
print(tf.__version__)

加载Fashion MNIST数据集：

#加载Fashion MNIST数据集
from tensorflow import keras
fashion_mnist = keras.datasets.fashion_mnist #fashion_mnist数据集
(train_images,train_labels),(test_images,test_labels)=fashion_mnist.load_data()#将数据分成四部分：训练的图片，图片标签，测试的图片，测试的标签

1.查看图片：
运行后可查看要训练/测试的图片，Matplotlib 是一个 Python 的 2D绘图库这里使用到，Pyplot 是 Matplotlib 的子库，提供了和 MATLAB 类似的绘图 API。详情参考菜鸟教程：https://www.runoob.com/matplotlib/matplotlib-pyplot.html

import matplotlib.pyplot as plt
plt.imshow(train_images[1]) #显示第一张训练图片，切分train和test为了验证训练准确度

结果如图，可以看到Fashion MNIST数据集的图片都是28*28的图片

这里运行如下代码可以查看图片库的信息：

print(test_images.shape)

结果如下,表示图片测试库有10000张图，每张大小为28*28.：

查看照片灰度值：

查看测试图片标签：

2.构建神经元
Sequential 序贯模型序贯模型是函数式模型的简略版，为最简单的线性、从头到尾的结构顺序，不分叉，是多个网络层的线性堆叠。可以通过将层的列表传递给Sequential的构造函数，来创建一个Sequential模型。

model=keras.Sequential()

首先指定尺寸，模型需要知道它所期待的输入的尺寸（shape）。出于这个原因，序贯模型中的第一层（只有第一层，因为下面的层可以自动的推断尺寸）需要接收关于其输入尺寸的信息，后面的各个层则可以自动的推导出中间数据的shape，因此不需要为每个层都指定这个参数。
同时这里使用**keras.layers.Flatten(input_shape=[])**用于将输入层的服装图片二维数据压成一维的数据，一般用再卷积层和全连接层之间（因为全连接层只能接收一维数据，而卷积层可以处理二维数据，就是全连接层处理的是向量，而卷积层处理的是矩阵）原理图：
　　

model.add(keras.layers.Flatten(input_shape=(28,28))) #输入层

下面指定某些 2D 层，例如 Dense，支持通过参数 input_dim 指定输入尺寸，某些 3D 时序层支持 input_dim 和 input_length 参数。
这里构建两层神经元
Dense(128) 是一个具有 128 个隐藏神经元的全连接层
Dense(10) 是一个具有 10 个隐藏神经元的全连接层

model.add(keras.layers.Dense(128,activation=tf.nn.relu))#relu函数小于0的值归0大于0的值不变
model.add(keras.layers.Dense(10,activation=tf.nn.softmax))#作用是将一组数转换成预测的概率，原先数值大的数概率会进一步预测较大，原先数值小的数会概率预测变小，且所有预测的概率之和为1，所以该函数常用于分类问题

relu()函数,线性整流函数（Rectified Linear Unit, ReLU）:

softmax()函数,或称归一化指数函数，是逻辑函数的一种推广。它能将一个含任意实数的K维向量A “压缩”到另一个K维实向量 A’ 中，使得A’ 每一个元素的范围都在（0,1）之间，并且所有元素的和为1。

详情参考：
https://blog.csdn.net/kevindree/article/details/87365355

在训练模型之前，我们需要配置学习过程，这是通过compile方法完成的，他接收三个参数：

优化器 optimizer：它可以是现有优化器的字符串标识符，如 rmsprop 或 adagrad，也可以是 Optimizer 类的实例。Adam一般来说是收敛最快的优化器
损失函数 loss：模型试图最小化的目标函数。它可以是现有损失函数的字符串标识符，如 categorical_crossentropy 或 mse，也可以是一个目标函数。
评估标准 metrics：对于任何分类问题，你都希望将其设置为 metrics = [‘accuracy’]。评估标准可以是现有的标准的字符串标识符，也可以是自定义的评估标准函数。

训练代码：

train_images=train_images/255#为了使数据尽可能的准，除以255，使数据处于0-1之间
model.compile(optimizer=tf.optimizers.Adam(),loss=tf.losses.sparse_categorical_crossentropy,metrics=['accuracy'])
model.fit(train_images,train_labels,epochs=5)#迭代五次

结果如下：

测试代码：

test_images_scaled=test_images/255
model.evaluate(test_images_scaled,test_labels)

结果，可以看到loss明显比测试的结果高，准确性没有测试结果高，符合测试结果：
进一步预测待更。。