PyTorch通过`torch.autograd.Function`类为用户提供了自定义前向传播和反向传播行为的强大能力。要创建自定义的可微函数，我们需要继承这个类并重写两个静态方法：`forward`和`backward`。`forward`方法定义了如何从输入计算输出，而`backward`方法则定义了输出相对于输入的梯度（即导数）如何计算。这正是我们实现STE的理想场所。

当高级API无法满足特定需求时，可以深入使用TensorFlow的中低级API进行自定义。通过继承`tf.keras.Model`类，我们可以自定义模型层和前向传播逻辑，实现更复杂的研究想法。更进一步，可以编写自定义的训练循环，使用`tf.GradientTape`来手动计算梯度，并应用优化器更新权重。这种方式提供了极大的灵活性，能够实现诸如梯度裁剪、自定义损失函数、多任务学习等高级训练技巧。

使用tf.keras.Sequential()来创建模型。首先添加一个Flatten层，输入形状为(28, 28)。然后，可以添加一个或多个Dense层作为隐藏层，通常使用ReLU等激活函数引入非线性。最后，添加一个Dense输出层，由于我们有10个类别（数字0-9），所以该层有10个神经元，并使用softmax激活函数来输出每个类别的概率。

任何由这些叶子节点（leaf nodes）经过运算得到的中间张量也会自动继承梯度追踪能力，并维护一个指向创建它们的`grad_fn`函数的反向引用，这个`grad_fn`包含了计算其导数的必要信息。前向传播的过程即是动态计算图的构建过程。例如，在循环神经网络（RNN）中，每个时间步的计算可以依赖前一步的结果，图的深度会根据输入序列的长度实时变化，这是静态图难以优雅实现的。这个过程从最终的输出节点开

使用tf.keras.Sequential()来创建模型。首先添加一个Flatten层，输入形状为(28, 28)。然后，可以添加一个或多个Dense层作为隐藏层，通常使用ReLU等激活函数引入非线性。最后，添加一个Dense输出层，由于我们有10个类别（数字0-9），所以该层有10个神经元，并使用softmax激活函数来输出每个类别的概率。

通过TensorFlow构建图像分类模型是一个系统化的工程，涵盖了数据处理、模型设计、训练优化和性能评估等多个关键环节。从简单的自定义CNN到利用强大的预训练模型进行迁移学习，TensorFlow提供了灵活而强大的工具集，使得开发者能够高效地应对各种复杂度的图像分类任务。掌握这一流程不仅是入门深度学习的重要一步，更为解决更复杂的视觉问题（如目标检测、图像分割）奠定了坚实的基础。随着TensorFl