在 AI 訓練最常見到的第一個例子，是利用 MNIST 資料集的手寫數字圖像，透過 Deap Learning 的方式讓分類器能正確辨識圖像為 0 - 9。
MNIST 是機器學習領域知名也被廣泛使用的資料集之一，包含 70,000張圖像 ( 60,000 張訓練圖像和 10,000張測試圖像 )，每張圖像都是 28 x 28 像素的灰階圖片。
MNIST 手寫數字圖像例子
取得MNIST資料集
可以透過 tensorflow 內建常用的資料集來導入取得 MNIST 資料集。
from tensorflow.keras.datasets import mnist
也由於常見的資料集如上面modules所示，所以一般常用於資料學習的資料集莫過於上面那些，實際應用上如果要建立自己的資料集跟訓練資料，需要另外透過其他的方式來取得。
導入內建資料集的方式非常簡單。
(x_train, y_train) , (x_test, y_test) = mnist.load_data()
由圖可以知道 x_train 的資料集的形狀是 60000 * 28 * 28。
建立圖形分類器以及開始訓練
透過 AutoKeras 來建立並訓練圖形分類器，只需要三行程式碼就可以開始訓練。
評估圖形分類器 - evaluate()
evaluate() 會傳回兩個數值，一個是損失值，一個是準確率。
上面預測的準確率與訓練集的準確率很接近，表示沒有過度配適 overfitting 的問題。
輸出&載入訓練好的模型
可以先將圖形分類器輸出成之後需要使用的模型，就不用每次都從頭訓練過。
上面的程式碼可以印出 model 的架構
透過 model.summary() 可以了解目前模型的樣子，而 model.save 會在 Jupyter 檔案底下將模型存成您指定的檔名。
預設的模型會存成一個資料夾，可以透過下面的方式
load_model( ‘檔名’ , custom_objects = ak.CUSTOM_OBJECTS ) 去讀取對應的模型。
使用前記得 import 相關的 load_model 函式
使用載入的 model 預測圖片並產生結果
model.predict () 可以將需要預測的圖片陣列傳入，會回傳並產出對應的結果。
