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） 实现模型训练，输出训练集损失、验证集损失及准确率

好的，我可以为您提供一个完整的代码实现，包括获取fashion_mnist数据集、数据集归一化、数据集划分、CNN神经网络构建、损失函数定义和模型训练。请注意，由于代码长度较长，我会分步骤进行解释。

首先，我们需要导入相关的Python库和模块，包括TensorFlow、numpy和matplotlib等：

import tensorflow as tf
from tensorflow import keras

import numpy as np
import matplotlib.pyplot as plt

接下来，我们可以使用Keras内置的fashion_mnist数据集获取函数获取数据集，并对数据集进行归一化处理：

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

# 加载数据集并进行数据预处理
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

# 对数据集进行归一化处理
train_images = train_images / 255.0
test_images = test_images / 255.0

在上面的代码中，我们使用`keras.datasets.fashion_mnist`函数获取了fashion_mnist数据集，并将其划分为训练集和测试集。我们对数据集进行了归一化处理，将像素值缩放到0到1之间。

接下来，我们可以将训练集进一步划分为训练集和验证集：

# 划分训练集和验证集
val_images = train_images[:5000]
val_labels = train_labels[:5000]
train_images = train_images[5000:]
train_labels = train_labels[5000:]

在上面的代码中，我们将前5000个样本作为验证集，剩余的样本作为训练集。这样划分的目的是为了在训练过程中可以对模型进行验证，以检查模型是否过拟合。

接下来，我们可以使用TensorFlow构建CNN神经网络模型：

# 定义CNN神经网络模型
model = keras.Sequential([
    keras.layers.Reshape(target_shape=(28, 28, 1), input_shape=(28, 28)),
    keras.layers.Conv2D(filters=32, kernel_size=(3, 3), activation='relu'),
    keras.layers.MaxPooling2D(pool_size=(2, 2)),
    keras.layers.Conv2D(filters=64, kernel_size=(3, 3), activation='relu'),
    keras.layers.MaxPooling2D(pool_size=(2, 2)),
    keras.layers.Flatten(),
    keras.layers.Dense(units=128, activation='relu'),
    keras.layers.Dense(units=10, activation='softmax')
])

在上面的代码中，我们使用`keras.Sequential`函数定义了一个序列模型，并添加了包含2个隐层的CNN神经网络模型。其中，第一个隐层包括一个卷积层和一个最大池化层，第二个隐层同样包括一个卷积层和一个最大池化层。最后，我们将输出展开为一维向量，并添加2个全连接层和一个softmax层作为输出层。

接下来，我们需要定义损失函数和优化器：

# 定义损失函数和优化器
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

在上面的代码中，我们使用`adam`优化器和`sparse_categorical_crossentropy`损失函数进行模型训练，同时计算模型的准确率。

最后，我们可以使用训练集和验证集训练模型，并输出训练集损失、验证集损失和准确率：

# 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、验证集损失和准确率
train_loss, train_acc = model.evaluate(train_images, train_labels)
val_loss, val_acc = model.evaluate(val_images, val_labels)
print('Training loss:', train_loss)
print('Validation loss:', val_loss)
print('Training accuracy:', train_acc)
print('Validation accuracy:', val_acc)

在上面的代码中，我们使用`model.fit`函数训练模型，并将训练过程中的损失和准确率记录在`history`变量中。然后，我们使用`model.evaluate`函数分别计算训练集和验证集的损失和准确率，并输出结果。

完整的代码实现如下：