使用python语言按照课件所提供的代码完成mnist手写数字识别，识别程序应包括完整的训练代码和调用模型的测试代码两部分。

在Python中，我们可以使用深度学习库如TensorFlow或PyTorch来实现MNIST手写数字识别。以下是一个简化的例子，使用Keras库，它是一个高级API，可以方便地构建和训练神经网络。

**1. 安装必要的库**
首先，确保已安装了`numpy`, `matplotlib`, `tensorflow`, 和 `keras`：

pip install numpy matplotlib tensorflow keras

**2. 导入并预处理数据**

import numpy as np
from keras.datasets import mnist
from keras.utils import to_categorical

# 加载数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 归一化像素值到0-1之间
x_train, x_test = x_train / 255.0, x_test / 255.0

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

**3. 创建卷积神经网络模型**

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(64, activation='relu'))
model.add(Dense(10, activation='softmax'))  # 输出层有10个节点，对应0-9的手写数字

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

**4. 训练模型**

model.fit(x_train.reshape(-1, 28, 28, 1), y_train, epochs=10, validation_split=0.1)

**5. 测试模型**

test_loss, test_acc = model.evaluate(x_test.reshape(-1, 28, 28, 1), y_test)
print(f"Test accuracy: {test_acc*100:.2f}%")

这个简单的例子展示了如何创建一个基础的卷积神经网络用于MNIST数据集的分类任务。注意，实际项目可能需要对网络结构、超参数调整和数据增强等进行更细致的优化。