第一步：搭积木：设置神经网络框架（k re a s）新版的keras2.0将output_dim改成了unit，最后选择输出的activation为softmax保证输出介于（0～1）之间
第二步：设置loss function来衡量model的优越性和学习走向
第三步：Train部分，设置优化方法opt（都是gradient 的方法），batchSize:实际中是把训练数据分成随机的等分块进行训练，batchSize指的是这个块的大小，在这里指100张图片，把100个example放到一个batch当中。把所有的batch都做一次叫做一个epoch，一次迭代。
**数据处理，把训练数据放入numpy arrray中：x_train输入10000张2828图片，那么数据维数是10000784，属于二维的matrix
y_train输入10000张图片的标签，每一列代表一个标签，图中第一个标签是｛0，0，0，0，0，1，0，0，0，0｝，代表数字“5”**
****第4步：自己调节Min-batch,会影响运算时间和运算结果batch_size的大小设置有所讲究，对于GPU来说，设置太小的话，batch数量就多，就要分很多次计算，运算时间会比较长，设置太大的话，每个batch里面一次调整很多参数可能会出错。
加入gpu的计算方法：
第五步：模型的保存和测试
第六步：调参数
模型需要调整Loss Function，梯度下降方法以及层数获得最好的效果