使用chinese-mnist数据集进行中文手写数字识别，在数据预处理中，图片大小为150*150，将图片转换为RGB三通道图片，还需要进行归一化处理。并划分测试集与训练集，比例为2：8。创建一个CNN神经网络模型。再进行模型编译，其中包含优化器，loss函数，模型性能，最后进行模型训练包含训练集，展示过程 跑多少轮，输出精度。还需要进行图像识别

好的，让我来回答您的问题。

首先，您提到了使用chinese-mnist数据集进行中文手写数字识别的任务。在数据预处理中，您需要将图片大小转换为150*150，并将其转换为RGB三通道图片。此外，您还需要进行归一化处理。接下来，您需要将数据集划分为测试集和训练集，比例为2:8。

接下来，您需要创建一个CNN神经网络模型。这个模型应该包含卷积层、池化层、批量规范化层、全连接层等。您需要在模型编译中包含优化器、loss函数以及模型性能指标。最后，您需要训练模型，包含训练集，并展示训练过程。您可以训练多轮，直到您认为模型已经达到了一个满意的精度。

最后，您需要进行图像识别。您可以将一张图片输入到模型中，并查看它的输出结果。

如果您需要更具体的代码实现细节，可以参考以下示例代码：

import tensorflow as tf
from tensorflow.keras import layers, models
import numpy as np
import cv2

# 加载数据集
data = np.load("chinese_mnist.npz")
X = data['image']
y = data['label']

# 图片预处理
X = X.reshape(-1, 150, 150, 1)  # 添加通道
X = cv2.cvtColor(X, cv2.COLOR_GRAY2RGB)  # 转换为RGB三通道图片
X = X / 255.0  # 归一化处理

# 划分测试集和训练集
split = int(X.shape[0] * 0.8)
X_train, X_test = X[:split], X[split:]
y_train, y_test = y[:split], y[split:]

# 创建CNN神经网络模型
model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)),
    layers.BatchNormalization(),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.BatchNormalization(),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(128, (3, 3), activation='relu'),
    layers.BatchNormalization(),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(256, (3, 3), activation='relu'),
    layers.BatchNormalization(),
    layers.MaxPooling2D((2, 2)),
    layers.Flatten(),
    layers.Dense(512, activation='relu'),
    layers.BatchNormalization(),
    layers.Dropout(0.5),
    layers.Dense(15, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
history = model.fit(X_train, y_train, epochs=10, validation_data=(X_test, y_test))

# 输出模型精度
test_loss, test_acc = model.evaluate(X_test, y_test, verbose=2)
print(test_acc)

# 图像识别
img = cv2.imread("test.jpg")
img = cv2.resize(img, (150, 150))
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img = img / 255.0
img = np.expand_dims(img, axis=0)
predictions = model.predict(img)
print(np.argmax(predictions[0]))

在这个代码示例中，我们首先加载了chinese-mnist数据集，然后进行了图片预处理、划分测试集和训练集。然后，我们创建了一个CNN神经网络模型，并编译了模型。接下来，我们训练了模型，并输出了模型的精度。最后，我们使用一张图片进行了图像识别，并输出了识别结果。

请注意，以上示例代码并不是一个完整的代码，您需要根据您的具体需求进行修改和调整。