使用tensorflow对mnist数据集进行深度神经网络构建，train_data = pd.read_csv('mnist_dataset/mnist_train.csv') test_data = pd.read_csv('mnist_dataset/mnist_test.csv')，请给出包括但不限于数据归一化、标准化、CNN构建、适当的损失函数和优化器选择、模型训练和评估、调整超参数等的代码

以下是一个使用TensorFlow对MNIST数据集进行深度神经网络构建的示例代码，其中涉及到了数据归一化、标准化、CNN构建、适当的损失函数和优化器选择、模型训练和评估、调整超参数等步骤。

import tensorflow as tf
import pandas as pd
import numpy as np

# 数据预处理
train_data = pd.read_csv('mnist_dataset/mnist_train.csv')
test_data = pd.read_csv('mnist_dataset/mnist_test.csv')
train_labels = train_data['label']
train_images = train_data.iloc[:, 1:]
test_labels = test_data['label']
test_images = test_data.iloc[:, 1:]

# 数据归一化和标准化处理
train_images = np.array(train_images) / 255.0
test_images = np.array(test_images) / 255.0
train_images_mean = train_images.mean()
train_images_std = train_images.std()
train_images = (train_images - train_images_mean) / train_images_std
test_images = (test_images - train_images_mean) / train_images_std

# 将标签转化为one-hot编码
train_labels = tf.keras.utils.to_categorical(train_labels)
test_labels = tf.keras.utils.to_categorical(test_labels)

# 构建CNN模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Reshape((28, 28, 1), input_shape=(784,)),
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(pool_size=(2, 2)),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(pool_size=(2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.5),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 选择损失函数和优化器
model.compile(loss='categorical_crossentropy',
              optimizer=tf.keras.optimizers.Adam(),
              metrics=['accuracy'])

# 进行模型训练
model.fit(train_images, train_labels,
          batch_size=128,
          epochs=10,
          validation_data=(test_images, test_labels))

# 进行模型评估
test_loss, test_acc = model.evaluate(test_images, test_labels)
print('Test accuracy:', test_acc)

在上述代码中，我们首先使用pandas读取MNIST数据集，然后进行数据归一化和标准化处理。接着，我们将标签转化为one-hot编码，并构建了一个基于CNN的深度神经网络模型。我们选择了交叉熵损失函数和Adam优化器，并在训练集上进行了10个epoch的模型训练。最后，我们使用测试集进行了模型评估，输出了测试准确率。