资料内容：
对于每个样本，模型都会返回一个包含 logits 或 log-odds 分数的向量，每个类一
个。
predictions = model(x_train[:1]).numpy()
predictions
tf.nn.softmax 函数将这些 logits 转换为每个类的概率：
tf.nn.softmax(predictions).numpy()
注：可以将 tf.nn.softmax 烘焙到网络最后一层的激活函数中。虽然这可以使模型
输出更易解释，但不建议使用这种方式，因为在使用 softmax 输出时不可能为
所有模型提供精确且数值稳定的损失计算。
使用 losses.SparseCategoricalCrossentropy 为训练定义损失函数，它会接受 logits
向量和 True 索引，并为每个样本返回一个标量损失。
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
此损失等于 true 类的负对数概率：如果模型确定类正确，则损失为零。
这个未经训练的模型给出的概率接近随机（每个类为 1/10），因此初始损失应
该接近 -tf.math.log(1/10) ~= 2.3。
loss_fn(y_train[:1], predictions).numpy()
