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，我会为您解答这些问题。以下是每个问题的回答：

1.获取fashion_mnist数据集，并对数据集归一化：

您可以使用以下代码获取并归一化数据集：

import tensorflow as tf
from tensorflow import keras
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 获取fashion_mnist数据集
(x_train, y_train), (x_test, y_test) = keras.datasets.fashion_mnist.load_data()

# 归一化
scaler = StandardScaler()
x_train = scaler.fit_transform(x_train.reshape(-1, 784)).reshape(-1, 28, 28)
x_test = scaler.transform(x_test.reshape(-1, 784)).reshape(-1, 28, 28)

2.实现数据集的划分：

您可以使用以下代码将数据集划分为训练集和验证集：

# 划分数据集
x_train, x_val, y_train, y_val = train_test_split(x_train, y_train, test_size=0.2, random_state=42)

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：

您可以使用以下代码实现CNN神经网络构建：

from tensorflow.keras import layers, models

# 构建CNN神经网络
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))

# 打印模型结构
model.summary()

4.构建损失函数，实现模型训练，输出训练集损失、验证集损失及准确率：

您可以使用以下代码构建损失函数、训练模型并输出训练集损失、验证集损失及准确率：

import numpy as np

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

# 训练模型
history = model.fit(x_train.reshape(-1, 28, 28, 1), y_train, epochs=10,
                    validation_data=(x_val.reshape(-1, 28, 28, 1), y_val))

# 输出训练集损失、验证集损失及准确率
train_loss, train_acc = model.evaluate(x_train.reshape(-1, 28, 28, 1), y_train, verbose=2)
test_loss, test_acc = model.evaluate(x_test.reshape(-1, 28, 28, 1), y_test, verbose=2)
print('Train loss:', train_loss)
print('Train accuracy:', train_acc)
print('Test loss:', test_loss)
print('Test accuracy:', test_acc)

希望我的回答可以帮助到您！