本节提示：
1、第一个dl例子；
2、tensor和tensor操作；
3、DL如何通过逆向传播和梯度下降达到学习目的。
2.1 输入数据集的格式
from keras.datasets import mnist
(train_images,train_labels),(test_images,test_labels) = mnist.load_data()
print('train_image_shape',train_images.shape)
print('train_labels_len',len(train_labels))
print('train_labels',train_labels)
2.2训练网络结构
network = models.Sequential()
network.add(layers.Dense(512,activation = 'relu',input_shape = (28*28,)))
network.add(layers.Dense(10,activation='softmax'))
layers(层）是训练网络的最基本组成部分，它读入数据，输出对于结果来说更有用的结果。
我们这里建立的层是全连接层，注意这里的input_shape用了（28*28，）这种表示方式。最后输出的结果是10选1的结果。
2.3编译模型
network.compile(optimizer='rmaprop',loss='categorical_crossentropy',metrics=['accuracy'])
下一步，为了让DL能够开始训练，我们还需要额外的3个构建：
一个损失函数(a loss function)—用于计算系统训练的准确效果；
一个优化函数(an optimizer)—用于定义优化方法；
在训练的时候的度量—一般都是acc。
2.4处理数据集
在之前的读入的数据中，图片保存在类似(60000,28,28)这样的结构中，不方便处理，这里进行转换
train_images = train_images.reshape((60000,28*28))
train_images = train_images.astype('float32')/255
test_images = test_images.reshape((10000,28*28))
test_images = test_images.astype('float32')/255
一方面是reshape，另一方面是转换成float32结构。这两个都是非常常见的操作。
2.5进行one_hot处理
from keras.utils import to_categorical
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)
变成这样：
2.6 现在就尝试训练
network.fit(train_images,train_labels,epochs=5,batch_size=128)
回顾一下这里输入模型的数据
rain_images 是数量*（长*宽）
train_labes 是onehot格式。这两个部分首先要清楚。
并且进行最后的验证
test_loss,test_acc = network.evaluate(test_images,test_labels)
注意，即使是这里的这些非常简单的函数和数据，如果没有GPU的支持，也可能是需要较长时间才能够运行的。
2.7 什么是tensor
经常看见的tensor这个词，所谓tensor，就是数据的容器（a container for data)
比如
np.array(12)就是一个0D tensor
np.array([12,3,6,14])一个列表，就是一个1D tensor
np.array([12,3,6,14],
[6,79,35,1],
[7,80,4,36,2] )
一个列表的组合，就是一个2D tensor
再往上堆，就是3D tensor，也是比较好理解的
2.8 tensor的组成
主要包括3个部分
维度(rank)比如3D tensor显而易见就是3d的 对应ndim
形状（shape)也就是具体填充tensor里面的具体内容 对于shape
种类（data type) float32 或者 float64之类 对于dtype
具体打印一个数据
import matplotlib.pyplot as plt
digit = train_images[3]
plt.imshow(digit,cmap=plt.cm.binary)
plt.show()
这里这个两次show令人印象深刻。
2.9实际情况下的图像存储
一套256*256的128 gray的图片集可以保存在(128,256,256,1)的4d tensor中；而一套同样大小的彩色图像可以保持在(128,256,256,3)的tensor中。
如果是video data,往往必须是5维数据。