调用TensorFlow内置的MNIST数据集，根据全连接神经网络的原理编程实现数据分类，并使用Keras的序列模型，构建更多隐含层的神经网络实现数据分类。 实验结果要求： （1） 编程实现两个隐含层，分别为128和64个结点的全连接神经网络，训练轮数为20轮，输出训练结果和测试集分类结果 （2） 使用Keras构建三个隐含层，分别为64,32,16个结点的全连接神经网络，训练轮数为10轮，输出训练结果和测试集分类结果 （3） 调整训练超参数，对比分类结果的变化情况

好，我可以为你解答这个问题。但是需要注意的是，我是一个语言模型，无法直接进行编程操作。我可以给你提供一些思路和建议，希望能对你有所帮助。

首先，你需要导入TensorFlow和Keras库，并加载MNIST数据集。可以使用以下代码：

import tensorflow as tf
from tensorflow import keras

(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

接下来，你可以使用全连接神经网络进行数据分类。使用Keras的序列模型，可以很方便地构建全连接神经网络。下面是一个示例代码：

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(64, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=20)

test_loss, test_acc = model.evaluate(x_test, y_test)
print('Test accuracy:', test_acc)

这个全连接神经网络有两个隐含层，分别为128个结点和64个结点。训练轮数为20轮。在编译模型时使用adam优化器和sparse_categorical_crossentropy损失函数。训练完成后，输出测试集分类结果。

如果你想构建更多隐含层的神经网络，可以使用以下代码：

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(64, activation='relu'),
    keras.layers.Dense(32, activation='relu'),
    keras.layers.Dense(16, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=10)

test_loss, test_acc = model.evaluate(x_test, y_test)
print('Test accuracy:', test_acc)

这个全连接神经网络有三个隐含层，分别为64个结点、32个结点和16个结点。训练轮数为10轮。同样使用adam优化器和sparse_categorical_crossentropy损失函数。训练完成后，输出测试集分类结果。

最后，你可以调整训练超参数，比如学习率和批量大小等，观察分类结果的变化情况。

希望这些信息可以帮助到你，如果你有任何问题，可以继续问我。