请使用卷积神经网络完成 Fashion MNIST 数据集图像分类任务

好的，下面是使用卷积神经网络完成 Fashion MNIST 数据集图像分类任务的代码示例：

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

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

# 数据预处理
x_train = x_train.astype("float32") / 255.0
x_test = x_test.astype("float32") / 255.0
x_train = x_train.reshape(-1, 28, 28, 1)
x_test = x_test.reshape(-1, 28, 28, 1)

# 构建模型
model = keras.Sequential(
    [
        layers.Conv2D(32, kernel_size=(3, 3), activation="relu", input_shape=(28, 28, 1)),
        layers.MaxPooling2D(pool_size=(2, 2)),
        layers.Conv2D(64, kernel_size=(3, 3), activation="relu"),
        layers.MaxPooling2D(pool_size=(2, 2)),
        layers.Flatten(),
        layers.Dropout(0.5),
        layers.Dense(10, activation="softmax"),
    ]
)

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

# 训练模型
model.fit(x_train, y_train, batch_size=128, epochs=10, validation_split=0.1)

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

在上面的代码中，我们首先加载了 Fashion MNIST 数据集，并对数据进行了预处理。然后我们构建了一个卷积神经网络模型，并编译了模型。接下来，我们使用训练集对模型进行训练，并在测试集上进行评估。最后输出了模型在测试集上的准确率。

这里的卷积神经网络模型采用了两层卷积层和一层全连接层，其中每个卷积层后面跟着一个最大池化层，用于降低数据维度，防止过拟合。同时，我们还添加了一层 Dropout 层，用于随机丢弃一定比例的神经元，以避免过拟合。最后，我们使用 softmax 激活函数对输出进行处理，得到每个类别的概率分布。