用tensorflow创建一个3层全连接网络识别MNIST数据集

可以使用TensorFlow创建一个3层全连接网络来识别MNIST数据集。下面是一个示例代码：

import tensorflow as tf
from tensorflow.keras.datasets import mnist

# 加载MNIST数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 数据预处理
x_train = x_train.reshape(-1, 784) / 255.0
x_test = x_test.reshape(-1, 784) / 255.0

# 定义模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(256, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

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

# 训练模型
model.fit(x_train, y_train, epochs=10, batch_size=32, validation_data=(x_test, y_test))

# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print('Test accuracy:', test_acc)

这个示例代码中，首先加载MNIST数据集，并进行数据预处理。然后定义一个具有3个全连接层的模型，每个层都使用ReLU激活函数。最后，编译模型并使用训练数据进行训练，然后评估模型在测试数据上的性能。