2、编程练习：利用卷积神经网络，处理MNIST 数据集分类问题。 https://github.com/nndl/exercise/

好的，以下是处理 MNIST 数据集分类问题的卷积神经网络的代码：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 加载 MNIST 数据集
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 定义输入和输出的占位符
x = tf.placeholder(tf.float32, [None, 784])
y_true = tf.placeholder(tf.float32, [None, 10])

# 将输入数据转换为图片的形式
x_image = tf.reshape(x, [-1, 28, 28, 1])

# 第一层卷积
conv1 = tf.layers.conv2d(inputs=x_image, filters=32, kernel_size=[5, 5], padding="same", activation=tf.nn.relu)

# 第一层池化
pool1 = tf.layers.max_pooling2d(inputs=conv1, pool_size=[2, 2], strides=2)

# 第二层卷积
conv2 = tf.layers.conv2d(inputs=pool1, filters=64, kernel_size=[5, 5], padding="same", activation=tf.nn.relu)

# 第二层池化
pool2 = tf.layers.max_pooling2d(inputs=conv2, pool_size=[2, 2], strides=2)

# 将图像数据展开为一维向量
pool2_flat = tf.reshape(pool2, [-1, 7 * 7 * 64])

# 第一层全连接层
fc1 = tf.layers.dense(inputs=pool2_flat, units=1024, activation=tf.nn.relu)

# Dropout
keep_prob = tf.placeholder(tf.float32)
fc1_drop = tf.nn.dropout(fc1, keep_prob)

# 第二层全连接层
y_pred = tf.layers.dense(inputs=fc1_drop, units=10)

# 定义损失函数和优化器
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(labels=y_true, logits=y_pred))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

# 定义准确率
correct_prediction = tf.equal(tf.argmax(y_pred, 1), tf.argmax(y_true, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

# 开始训练
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())

    for i in range(20000):
        batch_x, batch_y = mnist.train.next_batch(50)
        sess.run(train_step, feed_dict={x: batch_x, y_true: batch_y, keep_prob: 0.5})

        if i % 100 == 0:
            train_acc = sess.run(accuracy, feed_dict={x: batch_x, y_true: batch_y, keep_prob: 1.0})
            print("Step %d, training accuracy %g" % (i, train_acc))

    # 在测试集上计算准确率
    test_acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y_true: mnist.test.labels, keep_prob: 1.0})
    print("Test accuracy %g" % test_acc)

这个代码使用了两个卷积层和两个全连接层，以及池化和 Dropout。

在训练过程中，我们每 100 次迭代输出一次训练集上的准确率，并在最后输出测试集上的准确率。

你可以将该代码保存到一个 Python 文件中，然后在命令行中运行该文件来执行训练和测试。