1.指对minst数据集搭建三层全连接神经网络，隐含层神经元个数20个。 2.借鉴教学案例，采用GridSearchCV 实现网格搜索batch size、epochs、学习速率和动量因子的超参数优化

1. 对于MINST数据集（MNIST是一个手写数字图像数据库），构建一个包含三层的全连接神经网络，每层包括20个神经元，可以按照以下步骤操作：

- 首先，加载所需的库如TensorFlow或PyTorch，以及`tensorflow.keras`模块。
- 定义网络结构：创建一个Sequential模型，添加三个隐藏层，每个隐藏层使用ReLU激活函数，最后一层是输出层（对于分类任务通常使用softmax）。例如：

   from tensorflow.keras.models import Sequential
   from tensorflow.keras.layers import Dense, Flatten

   model = Sequential([
       Flatten(input_shape=(28, 28)),
       Dense(20, activation='relu'),  # 第一层，28*28输入，20个神经元
       Dense(20, activation='relu'),  # 第二层
       Dense(10, activation='softmax')  # 输出层，10个类别
   ])

- 编译模型，设置损失函数（如categorical_crossentropy）、优化器（如Adam）以及评估指标（accuracy）。

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

2. 使用GridSearchCV进行超参数优化：

- 导入`sklearn.model_selection`模块中的GridSearchCV和相关的预处理方法（如StandardScaler）。
- 确定需要优化的参数范围，比如批量大小(batch_size)、训练轮数(epochs)，学习率(lr)，和动量(momentum)。例如：

   param_grid = {
       'batch_size': [32, 64, 128],
       'epochs': [50, 100, 150],
       'learning_rate': [0.001, 0.01, 0.1],
       'momentum': [0.8, 0.9]
   }

- 创建一个KerasClassifier对象，并传入上面定义的模型，然后应用GridSearchCV：

   from sklearn.preprocessing import StandardScaler
   from sklearn.pipeline import make_pipeline
   from keras.wrappers.scikit_learn import KerasClassifier

   scaler = StandardScaler()
   model = KerasClassifier(build_fn=model)
   pipe = make_pipeline(scaler, model)

   grid_search = GridSearchCV(pipe, param_grid, cv=3, scoring='accuracy')
   grid_search.fit(X_train, y_train)

- 最后，你可以获取最佳参数组合及其对应的性能。