注意：

1.　　圖片程式碼中的network變數在後面的程式碼展示中是model變數

2.　　該列子中db中的y是one_hot編碼後的

原始碼（一個step中的一個batch）:

介面替換後:

原來的for迴圈每個step與batch：

介面替換後：

此處還沒有設定測試的週期（比如前面的step %100 == 0）

簡單結果圖：

--------------------------------------------------------------------------------

原來的測試程式碼：

現在的測試介面：

validation_steps = 2 表示每兩個epoch展示測試結果一次

列印展示：

訓練完成後再做一次測試(引數為資料集):

輸出：

import tensorflow as tf

def preporocess(x,y):
    x = tf.cast(x,dtype=tf.float32) / 255
    x = tf.reshape(x,(-1,28 *28))                   #   鋪平
    x = tf.squeeze(x,axis=0)
    # print('裡面x.shape:',x.shape)
    y = tf.cast(y,dtype=tf.int32)
    y = tf.one_hot(y,depth=10)
    
 
return x,y

def main():
    #   載入手寫數字資料
    mnist = tf.keras.datasets.mnist
    (train_x, train_y), (test_x, test_y) = mnist.load_data()
    #   處理資料
    #   訓練資料
    db = tf.data.Dataset.from_tensor_slices((train_x, train_y))  # 將x,y分成一一對應的元組
    db = db.map(preporocess)  # 執行預處理函式
    db = db.shuffle(60000).batch(2000)  #
 
 打亂加分組
    #   測試資料
    db_test = tf.data.Dataset.from_tensor_slices((test_x, test_y))
    db_test = db_test.map(preporocess)
    db_test = db_test.shuffle(10000).batch(10000)
    #   設定超參
    iter_num = 2000  # 迭代次數
    lr = 0.01  # 學習率
    #   定義模型器和優化器
    model = tf.keras.Sequential([
        tf.keras.layers.Dense(256, activation='relu'),
        tf.keras.layers.Dense(128, activation='relu'),
        tf.keras.layers.Dense(64, activation='relu'),
        tf.keras.layers.Dense(32, activation='relu'),
        tf.keras.layers.Dense(10)
    ])
    #   優化器
    # optimizer = tf.keras.optimizers.SGD(learning_rate=lr)
    optimizer = tf.keras.optimizers.Adam(learning_rate=lr)              #   定義優化器
    model.compile(optimizer= optimizer,loss=tf.losses.CategoricalCrossentropy(from_logits=True),metrics=['accuracy'])       #   定義模型配置
    model.fit(db,epochs=10,validation_data=db,validation_steps=2)          #  執行模型，引數validation_data是指在哪個測試集上進行測試
    model.evaluate(db_test)                                                     #   最後列印測試資料相關準確率資料

if __name__ == '__main__':
    main()