mnist 手写数字识别多层全连接神经网络建模代码

Mnist手写数字识别通常使用深度学习技术，其中全连接神经网络是一个常见的模型。这里简要介绍一种基于Python的TensorFlow库构建一个多层全连接神经网络的示例。注意，完整的代码会比较长，下面是一个简化版的模型构建过程：

import tensorflow as tf
from tensorflow.keras import layers

# 加载MNIST数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

# 数据预处理
x_train = x_train.reshape(-1, 28*28).astype('float32') / 255
x_test = x_test.reshape(-1, 28*28).astype('float32') / 255
y_train = tf.keras.utils.to_categorical(y_train, 10)
y_test = tf.keras.utils.to_categorical(y_test, 10)

# 创建模型
model = tf.keras.Sequential([
    layers.Dense(64, activation='relu', input_shape=(784,)),  # 输入层
    layers.Dense(64, activation='relu'),                      # 隐藏层
    layers.Dropout(0.2),                                      # 防止过拟合
    layers.Dense(10, activation='softmax')                    # 输出层，softmax用于多分类
])

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

# 训练模型
model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))

# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"Test accuracy: {test_acc}")