现在，你是一名机器学习工程师，请你用python编程语言写一个程序：使用tensorflow自带的mnist数据集完成以下内容：1.读取数据集2.将y标签转为独热编码格式3.创建模型 添加3个隐藏层4.第一个隐藏层600个神经元5.第二哥隐藏层400个神经元6.以三个隐藏层200个神经元；每个隐藏层之间使用dropout处理，失活比例0.3；使用softmax进行多分类；7.配置模型并进行训练，其中测试集比例为0.2；8.训练完成后，测试机准确率在0.98以上

好的，以下是使用tensorflow实现的代码：

import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical

# 1.读取数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 将图像数据转换为float32类型
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')

# 归一化图像数据
x_train /= 255
x_test /= 255

# 2.将y标签转为独热编码格式
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

# 3.创建模型
model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(600, activation='relu'),
    tf.keras.layers.Dropout(0.3),
    tf.keras.layers.Dense(400, activation='relu'),
    tf.keras.layers.Dropout(0.3),
    tf.keras.layers.Dense(200, activation='relu'),
    tf.keras.layers.Dropout(0.3),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 4.配置模型并进行训练，其中测试集比例为0.2
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
model.fit(x_train, y_train, batch_size=256, epochs=20, validation_split=0.2)

# 5.训练完成后，测试机准确率在0.98以上
test_loss, test_acc = model.evaluate(x_test, y_test)
print('Test accuracy:', test_acc)

这个程序使用了tensorflow中的keras模块来构建模型，使用了mnist数据集进行训练和测试。其中，模型使用了3个隐藏层，每个隐藏层之间使用dropout处理，失活比例为0.3，使用softmax进行多分类。训练完成后，使用测试集进行验证，测试准确率在0.98以上。