60000/60000[==============================]-9s-loss：0.0595-acc：0.9821-val_loss：0.0353-val_acc：0.9875
Epoch6/12
60000/60000[==============================]-10s-loss：0.0556-acc：0.9837-val_loss：0.0327-val_acc：0.9891
Epoch7/12
60000/60000[==============================]-12s-loss：0.0481-acc：0.9855-val_loss：0.0292-val_acc：0.9896
Epoch8/12
60000/60000[==============================]-14s-loss：0.0453-acc：0.9860-val_loss：0.0299-val_acc：0.9897
Epoch9/12
60000/60000[==============================]-17s-loss：0.0420-acc：0.9868-val_loss：0.0297-val_acc：0.9899
Epoch10/12
60000/60000[==============================]-17s-loss：0.0395-acc：0.9878-val_loss：0.0289-val_acc：0.9904
Epoch11/12
60000/60000[==============================]-17s-loss：0.0376-acc：0.9885-val_loss：0.0278-val_acc：0.9914
Epoch12/12
60000/60000[==============================]-15s-loss：0.0357-acc：0.9885-val_loss：0.0268-val_acc：0.9909
#训练结果如下。同样，不同的配置和训练过程会导致总损失不同
#读者实践过程中获得的数值一般不会与教材的示例完全一致
score=（x_test，y_test，verbose=0）
print（'Testloss：'，score[0]）
#使用总损失对模型进行评估，即评估该模型的效果，通过总损失表示
在本教材使用的计算机上，该训练样本的损失如下。
Testloss：0.0268492490485
