tensorflow训练mnist数据集代码

以下是使用TensorFlow训练MNIST数据集的代码示例：

import tensorflow as tf

# 加载MNIST数据集
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 数据归一化
x_train, x_test = x_train / 255.0, x_test / 255.0

# 创建模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10)
])

# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, epochs=5)

# 评估模型
model.evaluate(x_test, y_test, verbose=2)

其中，我们使用`tf.keras.datasets.mnist`加载MNIST数据集，并将数据归一化。接着，我们使用`Sequential`方法创建模型，其中包含一个`Flatten`层（将输入的二维图像数据展开为一维数组）、一个有128个神经元的全连接层（使用ReLU激活函数）、一个Dropout层（减少过拟合）和一个输出10个类别的全连接层。然后，我们使用`compile`方法配置模型的优化器、损失函数和评估指标，并使用`fit`方法训练模型。最后，我们使用`evaluate`方法评估模型的性能。