只需几行代码，就可以定义和训练模型，甚至不需要太多优化，在该数据集上的分类准确率能轻松超过90%。
在进入正题之前，我们先介绍一下上面提到的两个名词：
Fashion-MNIST，是去年8月底德国研究机构Zalando Research发布的一个数据集，其中训练集包含60000个样本，测试集包含10000个样本，分为10类。样本都来自日常穿着的衣裤鞋包，每一个都是28×28的灰度图。
这个数据集致力于成为手写数字数据集MNIST的替代品，可用作机器学习算法的基准测试，也同样适合新手入门。
想深入了解这个数据集，推荐阅读量子位之前的报道：
连LeCun都推荐的Fashion-MNIST数据集，是这位华人博士的成果
或者去GitHub：
https://github.com/zalandoresearch/fashion-mnist
tf.keras是用来在TensorFlow中导入Keras的函数。Keras是个容易上手且深受欢迎的深度学习高级库，是一个独立开源项目。在TensorFlow中，可以使用tf.keras函数来编写Keras程序，这样就能充分利用动态图机制eager execution和tf.data函数。
下面可能还会遇到其他深度学习名词，我们就不提前介绍啦。进入正题，教你用tf.keras完成Fashion-MNIST数据集的图像分类~
运行环境
无需设置，只要使用Colab直接打开这个Jupyter Notebook链接，就能找到所有代码。
https://colab.research.google.com/github/margaretmz/deep-learning/blob/mas…
数据处理
Fashion-MNIST数据集中有十类样本，标签分别是：
T恤 0裤子 1套头衫 2裙子 3外套 4凉鞋 5衬衫 6运动鞋 7包 8踝靴 9数据集导入
下面是数据集导入，为后面的训练、验证和测试做准备。
只需一行代码，就能用keras.datasets接口来加载fashion_mnist数据，再用另一行代码来载入训练集和测试集。
数据可视化
我喜欢用Jupyter Notebook来可视化，你也可以用matplotlib库中imshow函数来可视化训练集中的图像。要注意，每个图片都是大小为28x28的灰度图。
数据归一化
接着，进行数据归一化，使得样本值都处于0到1之间。
数据集划分
这个数据集一共包含60000个训练样本和10000个测试样本，我们会把训练样本进一步划分为训练集和验证集。下面是深度学习中三种数据的作用：
训练数据，用来训练模型；验证数据，用来调整超参数和评估模型；测试数据，用来衡量最优模型的性能。模型构建
下面是定义和训练模型。
模型结构
在Keras中，有两种模型定义方法，分别是序贯模型和功能函数。
在本教程中，我们使用序贯模型构建一个简单CNN模型，用了两个卷积层、两个池化层和一个Dropout层。
要注意，第一层要定义输入数据维度。最后一层为分类层，使用Softmax函数来分类这10种数据。
模型编译
在训练模型前，我们用model.compile函数来配置学习过程。在这里，要选择损失函数、优化器和训练测试时的评估指标。
模型训练
训练模型时，Batch Size设为64，Epoch设为10。
测试性能
训练得到的模型在测试集上的准确率超过了90%。
预测可视化
我们通过datasetmodel.predict(x_test)函数，用训练好的模型对测试集进行预测并可视化预测结果。当标签为红色，则说明预测错误；当标签为绿色，则说明预测正确。下图为15个测试样本的预测结果。
相关链接
最后，在这篇普通的入门教程基础上，还有一些提升之路：
如果想深入了解本文使用的Google Colab，可以看这份官方介绍：
https://medium.com/tensorflow/colab-an-easy-way-to-learn-and-use-tensorflo…
如果你是深度学习初学者，MNIST也应该了解一下。之前TensorFlow有一篇MNIST教程，可以拿来和本文比较一下，你就会发现，深度学习现在已经变得简单了很多：
https://www.tensorflow.org/versions/r1.1/get_started/mnist/beginners
本文用到的是Keras里的序贯模型，如果对功能函数感兴趣，可查看这篇用Keras功能函数和TensorFlow来预测葡萄酒价格的博文：
https://medium.com/tensorflow/predicting-the-price-of-wine-with-the-keras-…