使用Jupyter Notebook对CIFAR10数据集进行分类，搭建一个全连接网络和一个卷积神经网络CNN，并训练这两个网络。最后，使用训练好的模型对测试集进行预测，

在Jupyter Notebook中使用CIFAR10数据集进行分类任务，首先需要导入相关的库和模块，然后加载数据集，定义全连接网络和卷积神经网络CNN模型，接着进行模型的训练，最后对测试集进行预测。下面是一个大致的步骤说明：

1. **导入库**：
首先需要导入TensorFlow、Keras以及其他必要的Python库，如NumPy、Matplotlib等。

2. **加载数据集**：
使用Keras提供的数据集加载函数，将CIFAR10数据集加载到内存中，并进行必要的预处理。

3. **构建全连接网络模型**：
使用Keras的 Sequential API 创建一个全连接的神经网络模型。一般包括几个全连接层，可以添加激活函数如ReLU，以及输出层通常使用softmax激活函数进行分类。

4. **构建卷积神经网络CNN模型**：
同样使用Sequential API 创建CNN模型，该模型一般包含卷积层、池化层以及全连接层。卷积层中通常使用卷积核提取图像特征，池化层则用于降低特征维度，最后通过全连接层进行分类。

5. **编译模型**：
对所构建的模型进行编译，选择适当的损失函数（如交叉熵损失函数），优化器（如Adam或SGD）以及评估标准（如准确率）。

6. **训练模型**：
使用训练数据对模型进行训练，这里可以设定批次大小（batch size）、迭代次数（epochs）以及验证集来监控模型的训练过程。

7. **评估模型**：
在测试集上评估训练好的模型，获取模型的准确率等性能指标。

8. **预测**：
使用测试集数据对模型进行预测，可以输出预测结果和实际标签进行比较。

需要注意的是，具体的代码实现会涉及到很多细节，如网络结构设计、超参数调优、数据预处理和增强等。下面给出的是一个简单的代码框架，具体实现会更加复杂。

# 导入所需的库
import tensorflow as tf
from tensorflow.keras.datasets import cifar10
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Conv2D, Flatten, MaxPooling2D, Dropout
from tensorflow.keras.utils import to_categorical

# 加载数据集
(x_train, y_train), (x_test, y_test) = cifar10.load_data()

# 数据预处理
# ...

# 构建全连接网络模型
# ...

# 构建卷积神经网络CNN模型
# ...

# 编译模型
# ...

# 训练模型
# ...

# 评估模型
# ...

# 预测
# ...