帮我写Mnist数据集分类的代码

好的，以下是一个基于Python的Mnist数据集分类的简单代码：

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras.datasets import mnist

# 加载Mnist数据集并拆分为训练集和测试集
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# 将像素值缩放到0到1之间
train_images = train_images / 255.0
test_images = test_images / 255.0

# 定义模型
model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10)
])

# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 训练模型
model.fit(train_images, train_labels, epochs=10)

# 评估模型
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('\nTest accuracy:', test_acc)

这个代码使用Tensorflow框架，首先加载Mnist数据集，然后将像素值缩放到0到1之间。接着定义了一个简单的神经网络模型，包含一个输入层、一个隐藏层和一个输出层。其中输入层为一个28x28的矩阵（表示每张图片的像素值），隐藏层为128个神经元，激活函数为ReLU，输出层为10个神经元（表示0到9这10个数字），没有激活函数。接着编译模型，使用Adam优化器、交叉熵损失函数和准确率指标。最后训练模型，使用训练集训练10个周期，并评估模型在测试集上的准确率。