使用mnist数据集构建神经网络python代码

当然，我可以帮你回答这个问题。下面是使用 Python 和 TensorFlow 框架构建神经网络的代码：

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)

# 创建输入层和输出层
x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder(tf.float32, [None, 10])

# 创建隐藏层
W1 = tf.Variable(tf.truncated_normal([784, 128], stddev=0.1))
b1 = tf.Variable(tf.zeros([128]))
h1 = tf.nn.relu(tf.matmul(x, W1) + b1)

# 创建输出层
W2 = tf.Variable(tf.truncated_normal([128, 10], stddev=0.1))
b2 = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(h1, W2) + b2)

# 创建交叉熵损失函数
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))

# 创建优化器
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

# 创建 Session
sess = tf.InteractiveSession()
tf.global_variables_initializer().run()

# 迭代训练
for i in range(10000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

# 测试模型准确率
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

这个代码基于 MNIST 数据集创建了一个简单的神经网络，包括一个输入层、一个隐藏层和一个输出层，并使用交叉熵损失函数和优化器进行训练。训练完成后，测试模型的准确率。这个代码非常基础，但是足以为入门者提供启示。