tf加载MNIST数据集并进行预处理

以下是使用TensorFlow加载MNIST数据集并进行预处理的示例代码：

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

# 下载并读取数据集
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 定义占位符
x = tf.placeholder(tf.float32, [None, 784])
y_true = tf.placeholder(tf.float32, [None, 10])

# 将输入数据reshape为28x28的图片
x_image = tf.reshape(x, [-1, 28, 28, 1])

# 数据归一化
x_image = x_image / 255.0

# 定义卷积层
conv1 = tf.layers.conv2d(inputs=x_image, filters=32, kernel_size=[5, 5], padding="same", activation=tf.nn.relu)
pool1 = tf.layers.max_pooling2d(inputs=conv1, pool_size=[2, 2], strides=2)

# 定义全连接层
pool1_flat = tf.reshape(pool1, [-1, 14 * 14 * 32])
fc1 = tf.layers.dense(inputs=pool1_flat, units=1024, activation=tf.nn.relu)
dropout1 = tf.layers.dropout(inputs=fc1, rate=0.4)

# 定义输出层
y_pred = tf.layers.dense(inputs=dropout1, units=10)

# 定义损失函数
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true, logits=y_pred))

# 定义优化器
train_step = tf.train.AdamOptimizer(learning_rate=0.001).minimize(cross_entropy)

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

# 训练模型
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(1000):
        batch_x, batch_y = mnist.train.next_batch(100)
        _, loss = sess.run([train_step, cross_entropy], feed_dict={x: batch_x, y_true: batch_y})
        if i % 100 == 0:
            acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y_true: mnist.test.labels})
            print("Step:", i, "Loss:", loss, "Accuracy:", acc)

在这个例子中，我们使用了TensorFlow内置的`input_data`模块来下载和读取MNIST数据集。数据集包括训练集、验证集和测试集，每个集合都包含图片和对应的标签。我们将训练集和验证集合并，将测试集用于测试模型性能。

在预处理阶段，我们将输入数据reshape为28x28的图片，并进行了归一化处理。在模型中，我们使用了一个卷积层和一个全连接层来构建模型，同时加入了dropout来防止过拟合。最后我们定义了损失函数、优化器和正确率，并训练模型。