一、AlexNet
1.导入tensorflow库，这里给简称为tf库
import tensorflow as tf
from tensorflow.keras import datasets, layers, models
datasets：是用于训练和测试机器学习模型的数据集合
layers：是构建神经网络模型的关键组成部分
models：是构建的神经网络架构;用于从数据中学习特征并进行预测
2.加载Fashion-MNIST数据集
(train_images, train_labels), (test_images, test_labels) = datasets.fashion_mnist.load_data()
load_data是一个方法，用来加载数据集
train_images：一个数组，包含了灰度图像，用于训练模型
train_labels: 包含图像数量的整数值，范围从0到9，每个值对应于train_images中相应图像的类别标签
test_images和test_labels与上述说明一致
3.归一化，将像素值范围在[0，1]之间
train_images = train_images / 255.0
test_images = test_images / 255.0
4.数据集的图像是灰度图像，需增加一个颜色通道
train_images = tf.expand_dims(train_images, axis=-1)
test_images = tf.expand_dims(test_images, axis=-1)
train_images的原始形状：（60000，28，28）;60000是训练样本的数量
expand_dims用于增加一个新的维度。
axis=-1指定增加新的维度位置。-1表示最后一个轴，即（60000，28，28，1）
test_images同理
5.将标签从整数形式转换为独热编码形式
train_labels = tf.one_hot(train_labels, depth=10)
test_labels = tf.one_hot(test_labels, depth=10)
独热编码是一种将分类数据表示为二进制向量的方法，每个类别对应一个唯一的二进制向量，向量中只有一个元素是1，其余都是0
tf.one_hot()函数将其转换为形状为(60000, 10)的二维数组
test_labels同理
6.创建AlexNet模型
model = models.Sequential([
6.1添加卷积层，该层有32个3x3的卷积核，激活函数为relu，并且指定了输入形状为28x28像素的单通道图像
layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
6.2添加一个2x2的最大池化层
layers.MaxPooling2D((2, 2)),
6.3添加第二个卷积层
layers.Conv2D(64, (3, 3), activation='relu'),
layers.MaxPooling2D((2, 2)),
layers.Conv2D(128, (3, 3), activation='relu'),
layers.MaxPooling2D((2, 2)),
6.4将池化层的输出展平为1个一维向量
layers.Flatten(),
6.5添加一个全连接层，该层有128个神经元
layers.Dense(128, activation=‘relu’),
6.6全连接层，有10个神经元，对应数据集的10个类别，激活函数：softmax输出每个类别的概率分布
layers.Dense(10, activation='softmax')
])
7.编译模型
model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])
参数1：使用了Adam优化器，结合了动量和自适应学习率的优点
参数2：此处使用的损失函数 是一种多分类问题的交叉熵损失函数
参数3：指定在训练过程中要计算的评估指标：这里计算了准确率这个指标
8.训练模型
model.fit(train_images,train_labels,epochs=10,batch_size=64,validation_data=(test_images,test_labels))
model.fit函数作用：执行模型的训练过程
参数1：训练集的图像数据，它是一个四维张量
参数2：训练集的标签数据，它是一个二维张量
参数3：训练过程将进行的完整循环次数
参数4：每次梯度更新时使用的样本数量
参数5：用于验证的测试数据集，可评估性能，避免过拟合
结果：
9.保存模型
model.save('AlexNet.h5')
结果：
