1.实现获取fashion_mnist数据集，并对数据集归一化；（20分） 2.实现数据集的划分；（10分） 3.使用TensorFlow实现CNN神经网络构建， 其中：网络结构为2个隐层，每层进行2*2的最大池化；（30分） 4.构建损失函数；（15分） 5.实现模型训练，输出训练集损失、验证集损失及准确率（25分）

好的，我明白你的问题了。以下是每个问题的解答：

1. 获取fashion_mnist数据集，并对数据集归一化

你可以使用TensorFlow的内置函数来获取fashion_mnist数据集并对数据集进行归一化，代码如下：

import tensorflow as tf

# 获取fashion_mnist数据集
fashion_mnist = tf.keras.datasets.fashion_mnist

# 加载数据集并进行归一化
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
train_images = train_images / 255.0
test_images = test_images / 255.0

2. 实现数据集的划分

你可以使用sklearn库中的train_test_split函数来实现数据集的划分，代码如下：

from sklearn.model_selection import train_test_split

# 划分训练集和验证集
train_images, val_images, train_labels, val_labels = train_test_split(train_images, train_labels, test_size=0.2, random_state=42)

3. 使用TensorFlow实现CNN神经网络构建，其中：网络结构为2个隐层，每层进行2*2的最大池化

你可以使用TensorFlow的Keras API来构建CNN神经网络，代码如下：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# 构建模型
model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    MaxPooling2D((2, 2)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Flatten(),
    Dense(64, activation='relu'),
    Dense(10, activation='softmax')
])

4. 构建损失函数

你可以使用TensorFlow的内置损失函数来构建损失函数，代码如下：

# 构建损失函数
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy()

5. 实现模型训练，输出训练集损失、验证集损失及准确率

你可以使用TensorFlow的内置函数来实现模型训练，并输出训练集损失、验证集损失及准确率，代码如下：

# 编译模型
model.compile(optimizer='adam', loss=loss_fn, metrics=['accuracy'])

# 训练模型
history = model.fit(train_images, train_labels, epochs=10, validation_data=(val_images, val_labels))

# 输出训练集损失、验证集损失及准确率
train_loss, train_acc = model.evaluate(train_images, train_labels)
val_loss, val_acc = model.evaluate(val_images, val_labels)
print('Train loss: {}, Train accuracy: {}'.format(train_loss, train_acc))
print('Validation loss: {}, Validation accuracy: {}'.format(val_loss, val_acc))