2.能用cnn实现手写数字识别。会设计cnn网络参数。

是的，可以使用CNN实现手写数字识别。CNN是一种常用的深度学习模型，特别适用于图像识别任务。

对于手写数字识别任务，可以使用MNIST数据集进行训练和测试。在CNN网络中，通常会包含卷积层、池化层和全连接层等组件。

设计CNN网络参数需要考虑以下几个方面：

1. 卷积层的数量和大小：卷积层用于提取图像的特征，一般需要多个卷积层来逐层提取特征。卷积核的大小也需要根据任务的需要进行调整。

2. 池化层的类型和大小：池化层用于降采样，可以减少特征数目，防止过拟合。池化层的类型可以选择最大池化或平均池化，大小也需要根据任务需要进行调整。

3. 激活函数的选择：激活函数可以加入非线性因素，提高模型的表达能力。常用的激活函数有ReLU、Sigmoid和tanh等。

4. 学习率和优化器的选择：学习率决定了模型参数的更新速度，优化器可以帮助模型更快地收敛。常用的优化器有SGD、Adam和RMSprop等。

在设计CNN网络时，可以根据MNIST数据集的特点进行调整和优化，以达到更好的识别效果。