用逻辑回归和mlp方法解决MNIST问题，要求编程语言用python且用到两个模型训练的优化方法

要解决MNIST问题并使用逻辑回归和多层感知机（MLP）方法进行分类，您可以使用Python编程语言和两种训练优化方法，如随机梯度下降（SGD）和自适应矩估计（Adam）。

首先，您需要导入所需的库：

import numpy as np
import tensorflow as tf
from sklearn.linear_model import LogisticRegression
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import accuracy_score
from sklearn.datasets import fetch_openml
from sklearn.model_selection import train_test_split

接下来，您可以加载MNIST数据集：

X, y = fetch_openml('mnist_784', version=1, return_X_y=True)
X = X / 255.0  # 数据归一化

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

然后，您可以使用逻辑回归模型进行训练和预测：

# 创建逻辑回归模型
logistic_regression = LogisticRegression(solver='saga', multi_class='multinomial')

# 使用训练数据对逻辑回归模型进行训练
logistic_regression.fit(X_train, y_train)

# 对测试数据进行预测
logistic_regression_pred = logistic_regression.predict(X_test)

# 计算逻辑回归模型的准确率
logistic_regression_accuracy = accuracy_score(y_test, logistic_regression_pred)

接下来，您可以使用MLP模型进行训练和预测：

# 创建MLP模型
mlp = MLPClassifier(hidden_layer_sizes=(100,), max_iter=10, alpha=1e-4,
                    solver='sgd', verbose=10, tol=1e-4, random_state=1,
                    learning_rate_init=0.1)

# 使用训练数据对MLP模型进行训练
mlp.fit(X_train, y_train)

# 对测试数据进行预测
mlp_pred = mlp.predict(X_test)

# 计算MLP模型的准确率
mlp_accuracy = accuracy_score(y_test, mlp_pred)

最后，您可以比较两种模型的准确率：

print("逻辑回归模型准确率：", logistic_regression_accuracy)
print("MLP模型准确率：", mlp_accuracy)

这样，您就可以使用逻辑回归和MLP方法解决MNIST问题，并使用Python编程语言和两种训练优化方法进行实现。