1、第一步，检验paddle的版本，我在windows下单独新建了paddle2.0的环境import paddlepaddle.__version__
2、第二步，对于深度学习任务如果简单来看，其实分为几个核心步骤：数据集的准备和加载；模型的构建；模型训练；模型评估
3、第三步， 数据加载和预处理paddle内置了常见的几个数据集，我在这里使用的是paddle内置的mnist数据集train_dataset = paddle.vision.datasets.MNIST(mode='train')val_dataset = paddle.vision.datasets.MNIST(mode='test')
4、第四步，组建网络，通过Sequential将一层一层的网络结构组建起来，Sequential是paddle2.0的新特性。罪焐芡拂mnist=paddle.nn.Sequential(paddle.nn.Flatten(),paddle.nn.Linear(784,512),paddle.nn.ReLU(),paddle.nn.Dropout(0.2),paddle.nn.Linear(512,10))
5、第五步，模型训练，使用高级API的方法fit进行训练model=paddle.Model(mnist)#模型训练相关配置，准秽栉伫钒备损失计算方法，优化器和精度计算方法model.prepare(paddle.optimizer.Adam(parameters=mnist.parameters()),paddle.nn.CrossEntropyLoss(),paddle.metric.Accuracy())#开始模型训练model.fit(train_dataset,epochs=5,batch_size=32,verbose=1)
6、第六步，模型评估model.evaluate(val_dataset,verbose=0)
7、第七步，总结，只经过了5个批次的训练，训练的准确率与评估的准确率都得到了90%以上；而且编写的代码与1.x系列比，少了很多，但效果不减。
