给我使用到paddlepaddle库的python神经网络应用例子，带注释，模型要大一些

下面是一个使用PaddlePaddle库构建一个相对较大的卷积神经网络（CNN）用于图像分类的简单示例，这个例子将使用MNIST手写数字数据集。在这个模型中，我们将构建一个包含几个卷积层、池化层以及全连接层的典型架构。注意，实际的训练过程通常会涉及到更多的优化步骤和验证阶段，这里简化了部分细节以便于理解。

import paddle
from paddle import nn
import paddle.nn.functional as F
import numpy as np

# 导入数据模块，下载MNIST数据集
train_dataset, test_dataset = paddle.vision.datasets.MNIST(mode='train', download=True), paddle.vision.datasets.MNIST(mode='test')

# 数据预处理
def preprocess(image):
    image = image.astype('float32') / 255.0
    return image.unsqueeze(0)

# 创建卷积神经网络模型
class ConvNet(nn.Layer):
    def __init__(self):
        super(ConvNet, self).__init__()
        
        # 输入通道数为1，因为我们处理的是灰度图片
        self.conv1 = nn.Conv2D(in_channels=1, out_channels=32, kernel_size=3, stride=1, padding=1)
        self.pool1 = nn.MaxPool2D(kernel_size=2, stride=2)
        
        self.conv2 = nn.Conv2D(in_channels=32, out_channels=64, kernel_size=3, stride=1, padding=1)
        self.pool2 = nn.MaxPool2D(kernel_size=2, stride=2)
        
        # 全连接层
        self.fc1 = nn.Linear(in_features=64 * 7 * 7, out_features=128)  
        self.fc2 = nn.Linear(in_features=128, out_features=10)  

    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = self.pool1(x)
        x = F.relu(self.conv2(x))
        x = self.pool2(x)
        
        # 将四维张量展平成二维张量
        x = x.reshape([-1, 64 * 7 * 7])
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

model = ConvNet()
# 定义损失函数和优化器
loss_fn = nn.CrossEntropyLoss()
optimizer = paddle.optimizer.Adam(parameters=model.parameters(), learning_rate=0.001)

# 训练循环
for epoch in range(5):  # 这里只是演示，一般需要更多迭代次数
    for batch_id, (images, labels) in enumerate(train_dataset):
        images = preprocess(images)
        labels = paddle.to_tensor(labels)
        
        # 前向传播
        outputs = model(images)
        loss = loss_fn(outputs, labels)
        
        # 反向传播和优化
        optimizer.clear_grad()
        loss.backward()
        optimizer.step()

    print(f"Epoch {epoch + 1}, Loss: {loss.item()}")

# 测试模型
correct = 0
total = 0
with paddle.no_grad():
    for images, labels in test_dataset:
        images = preprocess(images)
        labels = paddle.to_tensor(labels)
        predictions = paddle.argmax(model(images), axis=1)
        correct += paddle.sum(predictions == labels)
        total += labels.shape[0]
accuracy = correct / total
print(f"Test Accuracy: {accuracy.item() * 100:.2f}%")

这个例子展示了如何在PaddlePaddle中构建一个基础的卷积神经网络，并对MNIST数据集进行简单的训练和测试。请注意，为了得到更好的性能，实际项目中可能需要调整模型结构、添加dropout等正则化技术，并进行适当的超参数调优。