使用tensorflow自带的mnist数据集完成以下内容 1.读取数据集 2.将y标签转为独热编码格式 3.创建模型 添加3个隐藏层 第一个隐藏层600个神经元 第二个隐藏层400个神经元 第三个隐藏层200个神经元， 每个隐藏层之间使用dropout处理，失活比例0.3 使用softmax进行多分类 4.配置模型并进行训练，其中测试集比例为0.2 5.训练完成后，测试集准确率在0.98以上

好的，以下是使用TensorFlow自带的MNIST数据集完成以上要求的代码：

import tensorflow as tf
from tensorflow import keras

# 1. 读取数据集
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

# 归一化
x_train = x_train / 255.0
x_test = x_test / 255.0

# 2. 将y标签转为独热编码格式
y_train = tf.one_hot(y_train, depth=10)
y_test = tf.one_hot(y_test, depth=10)

# 3. 创建模型
model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(600, activation='relu'),
    keras.layers.Dropout(0.3),
    keras.layers.Dense(400, activation='relu'),
    keras.layers.Dropout(0.3),
    keras.layers.Dense(200, activation='relu'),
    keras.layers.Dropout(0.3),
    keras.layers.Dense(10, activation='softmax')
])

# 4. 配置模型并进行训练，其中测试集比例为0.2
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=10, validation_split=0.2)

# 5. 训练完成后，测试集准确率在0.98以上
test_loss, test_acc = model.evaluate(x_test, y_test)
print('Test accuracy:', test_acc)

这个模型使用了3个隐藏层，每个隐藏层之间使用了dropout处理，失活比例为0.3，使用softmax进行多分类。经过10个epoch的训练，测试集准确率可以达到0.98以上。