来一段深度学习的python代码

当然可以！以下是一个简单的深度学习模型的 Python 代码示例：

import numpy as np
import tensorflow as tf

# 构建模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation='relu', input_shape=(784,)),  # 输入层
    tf.keras.layers.Dense(64, activation='relu'),  # 隐藏层
    tf.keras.layers.Dense(10, activation='softmax')  # 输出层
])

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

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

# 数据预处理
x_train = x_train.reshape(-1, 784) / 255.0
x_test = x_test.reshape(-1, 784) / 255.0
y_train = tf.keras.utils.to_categorical(y_train, num_classes=10)
y_test = tf.keras.utils.to_categorical(y_test, num_classes=10)

# 训练模型
model.fit(x_train, y_train, epochs=5, batch_size=32, validation_split=0.2)

# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print('Test loss:', test_loss)
print('Test accuracy:', test_acc)

这段代码使用 TensorFlow 的 Keras API 构建了一个简单的全连接神经网络模型，并使用 MNIST 数据集进行训练和测试。模型的输入层有 784 个神经元，隐藏层有 64 个神经元，输出层有 10 个神经元，使用 softmax 函数进行分类。模型使用 Adam 优化器和交叉熵损失函数进行训练，评估模型的准确率。

请注意，这只是一个简单的示例，实际的深度学习模型可能更加复杂，并且可能需要更多的预处理和调参步骤。