基于给定的数据集，任选算法完成分类任务。数据集：Fashion-MNIST。下载链接：https://opendatalab.org.cn/Fashion-MNIST Fashion-MNIST 由 60,000 个示例的训练集和 10,000 个示例的测试集组成。每个示例都是一个 28x28 灰度图像，共 10 个类别标签。具体要求（包括但不限于）： （1）数据预处理：自行决定是否需要进行数据预处理； （2）定义算法模型; （3）训练和评估模型; （4）超参数调优：算法中涉及到超参数的，要进行调优。

好的，这个任务需要用到深度学习中的卷积神经网络（Convolutional Neural Network, CNN）来完成分类任务。具体的步骤如下：

1. 数据预处理

首先，我们需要将Fashion-MNIST数据集下载并解压缩。然后将数据集分为训练集和测试集，并对数据进行标准化处理，即将像素值缩放到0到1之间。这个步骤可以通过以下代码实现：

import tensorflow as tf
from tensorflow import keras

# 加载数据集
(train_images, train_labels), (test_images, test_labels) = keras.datasets.fashion_mnist.load_data()

# 对图像进行标准化处理
train_images = train_images / 255.0
test_images = test_images / 255.0

2. 定义算法模型

接下来，我们需要定义卷积神经网络模型。在这里，我们将使用一个包含两个卷积层和两个全连接层的简单CNN模型。代码如下：

model = keras.Sequential([
    keras.layers.Conv2D(32, (3,3), padding='same', activation=tf.nn.relu, input_shape=(28,28,1)),
    keras.layers.MaxPooling2D((2,2), strides=2),
    keras.layers.Conv2D(64, (3,3), padding='same', activation=tf.nn.relu),
    keras.layers.MaxPooling2D((2,2), strides=2),
    keras.layers.Flatten(),
    keras.layers.Dense(128, activation=tf.nn.relu),
    keras.layers.Dense(10, activation=tf.nn.softmax)
])

3. 训练和评估模型

现在我们已经定义好了模型，接下来需要进行编译和训练。这里我们选择使用Adam优化器和交叉熵损失函数。代码如下：

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

model.fit(train_images.reshape(-1,28,28,1), train_labels, epochs=5)

test_loss, test_acc = model.evaluate(test_images.reshape(-1,28,28,1), test_labels)

print('Test accuracy:', test_acc)

4. 超参数调优

最后，我们可以进行超参数调优来提高模型的性能。这个过程可以通过使用Keras Tuner等工具来自动化完成，也可以手动调整超参数并进行实验来找到最佳的超参数组合。常见的超参数包括学习率、批次大小、卷积核大小和数量、全连接层神经元数量等等。