简单的pycharm深度学习模型，可以直接运行，得到训练集和验证集的准确率曲线、损失函数曲线以及交叉熵函数曲线，

以下是一个简单的PyCharm深度学习模型，可以直接运行并且得到训练集和验证集的准确率曲线、损失函数曲线以及交叉熵函数曲线：

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
import numpy as np
import matplotlib.pyplot as plt

# 加载数据集
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

# 数据预处理
x_train = x_train.astype("float32") / 255.0
x_test = x_test.astype("float32") / 255.0
x_train = np.expand_dims(x_train, -1)
x_test = np.expand_dims(x_test, -1)

# 建立模型
model = keras.Sequential(
    [
        keras.Input(shape=(28, 28, 1)),
        layers.Conv2D(32, kernel_size=(3, 3), activation="relu"),
        layers.MaxPooling2D(pool_size=(2, 2)),
        layers.Flatten(),
        layers.Dense(10, activation="softmax"),
    ]
)

# 编译模型
model.compile(loss="sparse_categorical_crossentropy", optimizer="adam", metrics=["accuracy"])

# 训练模型
history = model.fit(x_train, y_train, batch_size=128, epochs=5, validation_split=0.1)

# 绘制准确率曲线和损失函数曲线
plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.title('Model Accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epoch')
plt.legend(['train', 'val'], loc='upper left')
plt.show()

plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('Model Loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend(['train', 'val'], loc='upper left')
plt.show()

# 绘制交叉熵函数曲线
plt.plot(history.history['loss'])
plt.title('Cross Entropy Loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.show()

在这个例子中，我们使用了MNIST数据集，建立了一个简单的卷积神经网络来进行手写数字分类。我们将训练集分成了90%的训练集和10%的验证集，并且训练了5个epochs。最后，我们使用matplotlib库来绘制准确率曲线、损失函数曲线以及交叉熵函数曲线。