python多分类手写数字识别实验：所给数据一共有42000张灰度图像（分辨率为28*28），以train_data.csv文件给出. 图像内容涵盖了10个手写数字0-9。 另有1000条未知标签的测试数据图片（分辨率也为28*28），保存在“test_data.csv”文件中。每一行为给定图片的灰度值，而每张图片代表的数值待建模识别。将预测结果保存在名为“preds.txt”的文本文件中，内容为1000行， 每一行只有0-9数字中的一个数字，代表你的算法对测试数据的预测结果。预测数据顺序须与测试集“test_data.csv”中的样本顺序保持一致。写出代码

首先，我们需要导入一些必要的库：

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.neural_network import MLPClassifier

接着，我们需要读取训练数据和测试数据：

train_data = pd.read_csv('train_data.csv')
test_data = pd.read_csv('test_data.csv')

然后，我们需要对训练数据进行预处理，将特征和标签分开，并将标签转换为 one-hot 编码：

X_train = train_data.drop('label', axis=1) / 255.0
y_train = pd.get_dummies(train_data['label']).values

接着，我们需要将训练数据划分为训练集和验证集：

X_train, X_val, y_train, y_val = train_test_split(X_train, y_train, test_size=0.2, random_state=42)

接下来，我们可以定义一个多层感知机模型，并训练它：

model = MLPClassifier(hidden_layer_sizes=(128, 64), activation='relu', solver='adam', max_iter=500, verbose=True)
model.fit(X_train, y_train)

最后，我们可以使用训练好的模型对测试数据进行预测，并将预测结果保存到文件中：

y_pred = model.predict(test_data / 255.0)
np.savetxt('preds.txt', np.argmax(y_pred, axis=1), fmt='%d')

完整代码如下：

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.neural_network import MLPClassifier

# 读取训练数据和测试数据
train_data = pd.read_csv('train_data.csv')
test_data = pd.read_csv('test_data.csv')

# 预处理训练数据
X_train = train_data.drop('label', axis=1) / 255.0
y_train = pd.get_dummies(train_data['label']).values

# 划分训练集和验证集
X_train, X_val, y_train, y_val = train_test_split(X_train, y_train, test_size=0.2, random_state=42)

# 定义模型并训练
model = MLPClassifier(hidden_layer_sizes=(128, 64), activation='relu', solver='adam', max_iter=500, verbose=True)
model.fit(X_train, y_train)

# 预测测试数据并保存结果到文件中
y_pred = model.predict(test_data / 255.0)
np.savetxt('preds.txt', np.argmax(y_pred, axis=1), fmt='%d')