结合tensorflow实现卷积神经网络手写数字识别代码

在TensorFlow中实现卷积神经网络（Convolutional Neural Network, CNN）用于手写数字识别是一个常见的机器学习任务。以下是一个简单的例子，使用MNIST数据集，它包含了60,000个训练样本和10,000个测试样本：

import tensorflow as tf
from tensorflow.keras import datasets, layers, models

# 加载MNIST数据集
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()

# 数据预处理
train_images = train_images / 255.0
test_images = test_images / 255.0
train_images = train_images[..., tf.newaxis]
test_images = test_images[..., tf.newaxis]  # 添加通道维度

# 构建CNN模型
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

model.add(layers.Flatten())  # 展平卷积层
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))  # 输出层，10个类别对应数字0-9

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

# 训练模型
history = model.fit(train_images, train_labels, epochs=5, validation_data=(test_images, test_labels))

# 测试模型性能
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print(f'Test accuracy: {test_acc}')

# 相关问题--
1. 这段代码如何利用了CNN的特点？
2. 模型的优化器和损失函数是如何选择的？
3. 为什么需要对训练数据进行归一化处理？