3.用一个神经元实现MNIST手写数字识别问题： ①直接从Tensorflow获取数据集； ②构建模型； ③训练模型； ④用测试集里的数据进行测试； 将自己制作的手写数字图片（至少3张），经过图像处理，读入程序，扔进训练好的模型中测试，查看模型的效果。

首先，用一个神经元实现MNIST手写数字识别问题是不可行的，因为这个问题需要一个更加复杂的模型来解决。

以下是用神经网络解决MNIST手写数字识别问题的步骤：

1. 从TensorFlow获取数据集：

import tensorflow as tf

mnist = tf.keras.datasets.mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

2. 构建模型：

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation=tf.nn.relu),
    tf.keras.layers.Dense(10, activation=tf.nn.softmax)
])

3. 训练模型：

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

model.fit(train_images, train_labels, epochs=5)

4. 用测试集里的数据进行测试：

test_loss, test_acc = model.evaluate(test_images, test_labels)
print('Test accuracy:', test_acc)

接下来是用训练好的模型来识别手写数字的步骤：

1. 加载训练好的模型：

model = tf.keras.models.load_model('mnist_model.h5')

2. 加载图片并进行预处理：

import cv2
import numpy as np

img1 = cv2.imread('img1.png', 0)
img2 = cv2.imread('img2.png', 0)
img3 = cv2.imread('img3.png', 0)

imgs = np.array([img1, img2, img3])
imgs = np.expand_dims(imgs, axis=-1)
imgs = np.where(imgs > 127, 255, 0)
imgs = imgs / 255.0

3. 进行预测并输出结果：

predictions = model.predict(imgs)
print(np.argmax(predictions, axis=-1))

这里的`img1.png`、`img2.png`和`img3.png`是预处理后的手写数字图片文件，`mnist_model.h5`是训练好的模型文件。结果会输出每张图片的识别结果。