新建一个输入层为28*28,有2个隐藏层,隐藏层神经元个数为300, 将其应用在MNIST数据集上，进行手写数字分类，其中使用Adam优化器、交叉熵损失函数，学习率设置为0.001,设置训练轮次为50次，每隔10个轮次,打印其损失函数

在Python中，你可以使用深度学习库如TensorFlow或PyTorch来实现这个模型。这里我会提供一个基于Keras的简单示例：

import tensorflow as tf
from tensorflow.keras import layers

# 定义模型结构
model = tf.keras.Sequential([
    layers.Flatten(input_shape=(28, 28)),   # 输入层，将28x28图片展平成一维向量
    layers.Dense(300, activation='relu'),  # 隐藏层1，300个ReLU激活单元
    layers.Dense(300, activation='relu'),  # 隐藏层2，同样300个ReLU激活单元
    layers.Dense(10, activation='softmax')  # 输出层，10个节点表示0-9的手写数字类别，softmax用于多分类
])

# 设置优化器、损失函数和学习率
optimizer = tf.keras.optimizers.Adam(learning_rate=0.001)
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)

# 编译模型
model.compile(optimizer=optimizer, loss=loss_fn, metrics=['accuracy'])

# 加载MNIST数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0  # 归一化像素值到[0, 1]

# 训练过程
history = model.fit(x_train, y_train, epochs=50, validation_split=0.2,
                    callbacks=[tf.keras.callbacks.EveryNTimesteps(10, print_stats)],  # 每10步打印一次损失
                    batch_size=32)

# 函数print_stats用于打印损失
def print_stats(epoch, logs=None):
    loss_value = logs.get('loss')
    if epoch % 10 == 0:
        print(f"Epoch {epoch}: Loss: {loss_value}")

在这个例子中，`EveryNTimesteps`回调会在每个10个训练步骤后（即每轮10次迭代）打印训练损失。