使用mnist数据集构建神经网络python代码

以下是使用mnist数据集构建神经网络的Python代码：

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

# 加载 mnist 数据集
mnist = keras.datasets.mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# 数据预处理
train_images = train_images / 255.0
test_images = test_images / 255.0

# 构建模型
model = keras.Sequential([
    layers.Flatten(input_shape=(28, 28)),
    layers.Dense(128, activation='relu'),
    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(train_images, train_labels, epochs=10)

# 评估模型
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('\nTest accuracy:', test_acc)

这段代码实现了一个简单的神经网络模型，使用 mnist 数据集进行训练和测试。模型包含一个输入层、一个全连接层和一个输出层，使用 ReLU 激活函数进行非线性变换。使用 SparseCategoricalCrossentropy 作为损失函数，使用 Adam 优化器进行模型训练。最后在测试集上评估模型性能，并输出测试精度。