之前展示了tensorflow2.0的一个初级的实用例子作为开始，对比1.x版本操作还是有好很多的。接下来也将继续从比较基础的层面去了解tf2.0的各种实现
tensorflow2.0在上以keras去搭建网络，这种封装好的基础/高级api在使用上无疑更便捷，但在学习的过程中也不妨自己去实现一些功能，加深理解。
以实现最简单的全连接层和训练过程为例，
简单搭个网络：
我们可以用类去自定义Dense的功能，也是非常简单的
这一样来，就可以直接用自定义的类DenseLayer去替换keras的全连接层
对于实现分类的损失函数而言，也是简单粗暴的，对于标签的格式是one_hot的，用 tf.nn.softmax_cross_entropy_with_logits ，
反之 tf.nn.sparse_softmax_cross_entropy_with_logits ，本文自然用到了后者。
关于tf2.0，貌似 tf.GradientTape() 保留了下来，自定义梯度计算这一部分可以作为一个篇章去讲述，以后也会去探索
所以把单步训练和梯度更新过程写在一起
因为在loss_func的计算里包含了softmax，所以在最后一层不添加激活函数
参考上一篇文章，但也有不一样的地方，其中没用到测试集，只关注训练时loss的变化过程
最终可以看到loss是降得很快的
end.