给我生成一段深度学习的python代码

当然，以下是一个简单的深度学习代码示例，使用Keras库来训练一个分类器来识别手写数字：

# 导入必要的库
import numpy as np
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.utils import np_utils

# 加载MNIST数据
(X_train, y_train), (X_test, y_test) = mnist.load_data()

# 将输入数据转换为float类型并归一化
X_train = X_train.astype('float32') / 255
X_test = X_test.astype('float32') / 255

# 将标签转换为one-hot编码
y_train = np_utils.to_categorical(y_train, 10)
y_test = np_utils.to_categorical(y_test, 10)

# 定义模型
model = Sequential()
model.add(Dense(512, input_shape=(784,), activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(512, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(10, activation='softmax'))

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

# 训练模型
model.fit(X_train.reshape(-1, 784), y_train, epochs=10, batch_size=128, verbose=1)

# 在测试集上评估模型
score = model.evaluate(X_test.reshape(-1, 784), y_test, verbose=0)
print('Test accuracy:', score[1])

这段代码的主要功能是训练一个基于多层神经网络的分类器来识别手写数字。它使用了MNIST数据集，包含60000个训练样本和10000个测试样本，每个样本都是28x28的灰度图像。在模型中，我们使用了两个隐藏层，每个隐藏层包含512个神经元，并且在每个隐藏层之后我们添加了一个dropout层。最后，我们使用softmax激活函数将输出层转换为每个数字类别的概率得分。在训练期间，我们使用Adam优化器和交叉熵损失来最小化模型误差。最终，我们使用测试集来评估模型的准确性。