model.fit(x_train, y_train, epochs=1, batch_size=64)
fit將訓練集的x_train（資料，也就是圖片）與y_train（標籤，也就是正確答案）
epochs=1：訓練1個世代，也就是所有的訓練集資料訓練一遍，考慮到大家電腦效能不一，我們先選擇盡快看到結果
batch_size=64，資料的抽取是隨機的，每次抽64個資料出來。batch_size經驗上64、128都是不錯的；數值太小會讓訓練震盪太大；數值太大會沒有效率。

如圖，訓練的目標，通常來說是讓Loss越接近0越好，Accuracy正確率越接近1越好(100%)。這個過程像是讓考生大量閱讀資料與正確答案，或是想像成從算法的宇宙中找出最接近你要的那個。

影像識別在機器學習領域算是比較成熟的，能達到9x%以上正確率很普遍。
但也要注意，如果訓練不夠，會有欠擬合的現象，就像是考前讀書不足，正確率在訓練集、驗證集都會偏低。
如果訓練過度，會有過擬合的現象，變得只會答考古題，新的題目反而答不好；此時就算訓練集正確率很高，在驗證集裡正確率反而變低很多。

當發現訓練好幾個epoch之後，正確率還是很低，而且沒有上升的跡象，同時Loss也是沒有下降的跡象，就要檢查一下神經網路有沒有架設正確、資料是否正確、資料量是否足夠等等問題。