昨天有个刚转行的同事跑来找我，屏幕上是个经典的MNIST手写数字识别模型，训练集准确率冲到99%，验证集死活卡在87%。“明明没报错，为什么泛化这么差？”他指着损失曲线里那条越拉越大的缝隙问我。我扫了眼代码，发现他在model.fit()里没切验证集，自己手动拆的数据又忘了做归一化——两个坑同时踩，效果居然还能跑出来，也算是个黑色幽默了。这种问题太典型了。很多新手把神经网络当成黑盒子，感觉“能跑就行”，结果连最基本的流程都没对齐。今天我们就用Keras搭个最基础的分类网络，顺便把那些容易栽跟头的地方标出来。环境准备与数据加载别急着写模型，先确保环境是对的。TensorFlow 2.x以后Keras已经内置，直接import tensorflow as tf就行。如果你还在用独立的Keras包，建议尽快迁移，后续维护性差很多。importtensorflowastfimportnumpyasnpprint("TF版本:"