对于深度学习新手来说，TensorFlow 2.0 是最友好的入门框架之一，它简洁易用，无需复杂配置就能快速搭建神经网络。今天我们就用最简单的步骤，从零实现手写数字识别，这是深度学习的 "Hello World"！
一、先搞懂核心概念（超通俗）
TensorFlow 2.0：谷歌开源的深度学习框架，帮我们快速搭建、训练神经网络，不用手写复杂数学公式
神经网络：模仿人脑的计算模型，这里我们用最简单的全连接神经网络
手写数字识别：输入一张 0-9 的手写数字图片，让模型自动判断是哪个数字
二、环境准备
首先安装 TensorFlow，打开命令行运行一行命令即可：
pip install tensorflow
三、完整代码：5 分钟搭建神经网络
代码极简，每一步都有注释，直接复制运行：
# 1. 导入TensorFlow和必备库
import tensorflow as tf
from tensorflow.keras import layers, models
# 2. 加载经典手写数字数据集（MNIST）
# 数据集自动下载，包含6万张训练图片、1万张测试图片
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
# 3. 数据预处理（必须做！）
# 图片像素值是0-255，归一化到0-1之间，提升模型训练效果
x_train = x_train / 255.0
x_test = x_test / 255.0
# 4. 搭建最简单的全连接神经网络
model = models.Sequential([
# 把28x28的图片展平成一维数组
layers.Flatten(input_shape=(28, 28)),
# 全连接层，128个神经元，激活函数用relu
layers.Dense(128, activation='relu'),
# 输出层：10个神经元对应0-9，softmax输出概率
layers.Dense(10, activation='softmax')
])
# 5. 编译模型：定义优化器、损失函数、评估指标
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 6. 训练模型（5轮，快速看到效果）
print("开始训练模型...")
model.fit(x_train, y_train, epochs=5)
# 7. 用测试集评估模型准确率
print("\n模型测试结果：")
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f'测试准确率: {test_acc:.4f}')四、代码核心步骤解析
加载数据：MNIST 是深度学习标配入门数据集，全是 28x28 像素的手写数字黑白图
数据归一化：把像素值缩放到 0~1，让模型训练更快、更准
搭建模型：
Flatten：把二维图片压成一维，方便神经网络处理Dense：全连接层，是神经网络最基础的结构训练模型：
epochs=5代表把所有训练数据完整学习 5 遍评估模型：训练完成后，用没见过的测试数据测试，准确率通常能达到 97% 以上！
五、运行效果
运行代码后，你会看到：
每一轮训练，准确率不断升高
最终测试准确率轻松超过 97%，也就是说 100 张手写数字，模型能认对 97 张以上
六、总结
这就是 TensorFlow 2.0 最基础的入门实践！我们只用了十几行代码，就完成了：✅ 加载数据集 ✅ 数据预处理 ✅ 搭建神经网络 ✅ 训练模型 ✅ 评估效果
TensorFlow 2.0 把深度学习的复杂逻辑全部封装好了，新手也能快速上手。这个简单的神经网络，就是深度学习的基石，后续可以在此基础上搭建更复杂的卷积神经网络、循环神经网络。
赶紧动手运行代码，拥有你的第一个深度学习模型吧！
总结
TensorFlow 2.0 极简入门，一行命令安装，十几行代码搭建神经网络
手写数字识别是深度学习入门最佳案例，数据集自动加载，无需手动处理
全连接神经网络结构简单，训练 5 轮就能达到 97%+ 的识别准确率
核心流程：加载数据→预处理→搭模型→训练→评估，通用所有深度学习项目
