用一个python语言使1)导入Fashion-mnist数据集； 2)创建神经网络模型（普通神经网络或者卷积神经网络）； 3)训练神经网络模型，拟合训练集； 4)在测试集上测试模型性能； 5)对模型进行调参。

在Python中，我们可以使用`tensorflow`库和`keras`高级API来完成这个任务。这里是一个简单的示例，我们将使用`fashion_mnist`数据集，并构建一个卷积神经网络(CNN)模型：

1. 导入必要的库并加载Fashion-MNIST数据集：

import tensorflow as tf
from tensorflow.keras.datasets import fashion_mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

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

2. 数据预处理：

# 调整图像尺寸（通常28x28像素），归一化到0-1之间
x_train = x_train.reshape(-1, 28, 28, 1) / 255.0
x_test = x_test.reshape(-1, 28, 28, 1) / 255.0

# 将标签转换为one-hot编码
y_train = tf.keras.utils.to_categorical(y_train, num_classes=10)
y_test = tf.keras.utils.to_categorical(y_test, num_classes=10)

3. 创建CNN模型：

model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    MaxPooling2D((2, 2)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])

4. 编译并训练模型：

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))

5. 测试模型性能：

test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"Test accuracy: {test_acc}")

6. 对模型进行调参（例如调整学习率、增加层数等）：

# 示例：尝试降低初始学习率
initial_learning_rate = 0.0001
model = model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=initial_learning_rate),
                      ...)

# 或者尝试添加更多层
model = Sequential([... add more layers ...])

注意，实际调参过程可能会更复杂，涉及到网格搜索、随机搜索或者其他优化算法。你可以使用`GridSearchCV`或`RandomizedSearchCV`等工具。