生成一段python代码：1导入PCA 2使用sklearn.datasets导入fetch_openml数据集 3通过fetch_openml("mnist_784")得到mnist数据，并使用data和target索引得到数据与标签 4划分mnist数据集，训练集60000，测试集10000 5查看训练集和测试集维度 6把训练和测试图像的数据除以255，以便让数据的量纲在0-1之间 7创建一个pca实例，令主成分数量为100，并使用whiten参数开启数据白化功能 8使用该pca实例拟合训练数据集 9对训练集与测试集的特征进行转换 10查看训练集和测试集数据白化后的样本特征情况 11导入MLP神经网络 12设置神经网络的两个隐藏层分别为100，50个节点，激活函数为relu, alpha为1e-4，使用sgd优化器 13使用PCA后的数据训练神经网络模型 14使用PCA后的测试集验证模型分数

以下是生成的Python代码：

from sklearn.decomposition import PCA
from sklearn.datasets import fetch_openml
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier

# 导入数据集
mnist = fetch_openml("mnist_784")
data, target = mnist.data, mnist.target

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(data, target, test_size=0.14, random_state=42)

# 数据归一化
X_train = X_train / 255.0
X_test = X_test / 255.0

# 创建PCA实例
pca = PCA(n_components=100, whiten=True)

# 拟合训练集
pca.fit(X_train)

# 对训练集和测试集进行转换
X_train_pca = pca.transform(X_train)
X_test_pca = pca.transform(X_test)

# 查看数据白化后的样本特征情况
print("训练集特征数据白化后的维度：", X_train_pca.shape)
print("测试集特征数据白化后的维度：", X_test_pca.shape)

# 创建MLP神经网络模型
mlp = MLPClassifier(hidden_layer_sizes=(100, 50), activation='relu', alpha=1e-4, solver='sgd', random_state=42)

# 使用PCA后的数据训练模型
mlp.fit(X_train_pca, y_train)

# 使用PCA后的测试集验证模型分数
score = mlp.score(X_test_pca, y_test)
print("使用PCA后的测试集验证模型分数：", score)

注意：由于fetch_openml数据集在国内下载速度较慢，建议在本地安装好数据集后再运行此代码。