写一段python代码：利用keras.models.Sequential()函数，构造一个多层感知器模型。其中，使用Dense()进行全连接层的构造，把MNIST数据集的image 2828变成7841 向量；把label从单个数字变成独热向量，构造输入层784，第一隐层 128,第二隐层 64，输出层10的双隐层感知器，在双隐层感知器中的每一层（包括输出层）都分别加入L1，L2正则项训练，分别汇报测试数据准确率

好的，以下是对应的代码：

import tensorflow.keras as keras
from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical
from tensorflow.keras import regularizers

# 加载数据
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# 数据预处理
train_images = train_images.reshape((60000, 28 * 28))
train_images = train_images.astype('float32') / 255

test_images = test_images.reshape((10000, 28 * 28))
test_images = test_images.astype('float32') / 255

train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

# 构造模型
model = keras.models.Sequential([
    keras.layers.Dense(128, activation='relu', input_shape=(28 * 28,), kernel_regularizer=regularizers.l1_l2(l1=0.001, l2=0.001)),
    keras.layers.Dense(64, activation='relu', kernel_regularizer=regularizers.l1_l2(l1=0.001, l2=0.001)),
    keras.layers.Dense(10, activation='softmax', kernel_regularizer=regularizers.l1_l2(l1=0.001, l2=0.001))
])

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

# 训练模型
history = model.fit(train_images, train_labels, epochs=10, batch_size=64, validation_data=(test_images, test_labels))

# 评估模型
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=0)
print('Test accuracy:', test_acc)

上述代码中，我们通过`keras.models.Sequential()`构造了一个多层感知器模型，其中输入层有784个神经元，第一隐层和第二隐层分别有128和64个神经元，输出层有10个神经元。在每一层（包括输出层）都加入了L1和L2正则项训练。

我们使用MNIST手写数字数据集进行训练和测试，其中训练集包含60000个样本，测试集包含10000个样本。在训练过程中，我们设置了10个epochs、64的batch_size以及将测试集作为验证集进行验证。最终，我们得到了在测试集上的准确率。