tf.data提供了快速、灵活、易于使用的数据管道，同时还提供同步的训练，所谓同步训练就是利用CPU处理数据，供给GPU或者TPU(如果有的话)来训练数据。将数据集转变为数据管道的形式，有助于提升训练的效率。下面通过实例Numpy array格式数据集如何构建数据管道，以及数据的预处理、模型的训练和最终结果的展示。
实例：数字0-9和字母A-Z识别
数据集说明：
该数据集有36个类别标签：数字0-9，字母A-Z；
每个类别对应一个数组，数组的长度为39，也就是说每个类别有39个样本；
数组的元素是一个维度为(20, 16)的数组，数组中的元素为0或者1；
0、可视化Tensorboard
打开Anaconda Prompt, 激活环境activate tf2，安装pip install jupyter-tensorboard。
%%time
