Fashion_MNIST数据集详细介绍，请参考《Fashion-MNIST》。很多机器学习框架中都已经集成了这个数据集，包括TensorFlow。这样，我们可以通过两行代码来引用这个数据集，集中精力研究神经网络模型的开发，而不需要把时间浪费在收集数据和为数据打标上。
用Visual Code 的Debugging（F5）功能，可以看到test_images被组织成了一个三维数组（10000,28,28)，可以理解为10000张28x28像素的图像；Test_labels是一个一维数组，对应每张图片的标签。
Fashion_MNIST数据集的标签与对应的物体，如下所示：
借助matplotlib的绘图功能，可以把数据可视化出来；例如，把第8号数据展示出来
cmap是matplotlib的colormap，grey表示灰度图。
创建一个具有输入层为28x28个神经元,隐藏层为128个神经元,输出层为10个神经元的模型，隐藏层的激活函数为relu，输出层的激活函数为softmax.
激活函数选择参考《AI常用激活函数分析4，Relu函数与Leaky Relu函数》
Loss函数选择参考《Usage of loss functions》
训练数据未归一化
运行程序后，可以见到Loss值一直很高，原因是由于激活函数定义域与值域，神经网络对【0~1】的数值比较敏感，所以，我们需要把图像的灰度值从【0~255】归一化(Normalization)到【0~1】
归一化训练数据
下节将介绍《基于Keras CNN与Fashion_MNIST数据集开发一个深度学习程序》
参考阅读《深度学习图像识别技术》
