mnist cnn tensorflow2.0

对于MNIST数据集上的图像分类任务，您可以使用TensorFlow 2.0和卷积神经网络（CNN）来解决。以下是一个简单的示例代码：

import tensorflow as tf
from tensorflow.keras.datasets import mnist

# 加载MNIST数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 数据预处理
x_train = x_train.reshape(-1, 28, 28, 1).astype('float32') / 255.0
x_test = x_test.reshape(-1, 28, 28, 1).astype('float32') / 255.0

# 构建CNN模型
model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 编译和训练模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(),
              metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5, batch_size=32)

# 评估模型
loss, accuracy = model.evaluate(x_test, y_test)
print('Test loss:', loss)
print('Test accuracy:', accuracy)

这个示例代码中，首先加载MNIST数据集，然后进行数据预处理。接下来构建了一个简单的卷积神经网络模型，包含了两个卷积层、池化层、扁平化层和两个全连接层。最后编译和训练模型，并评估模型在测试集上的性能。

注意：这只是一个示例，您可以根据需求调整网络结构、超参数和训练过程。