当然，这里有一个复杂的Python代码示例，它实现了一个简单的神经网络，用于手写数字识别（基于MNIST数据集）。这个例子使用了TensorFlow和Keras库。 ```python import tensorflow as tf from tensorflow.keras import layers, models import numpy as np import matplotlib.pyplot as plt # 加载MNIST数据集 mnist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() # 数据预处理 x_train, x_test = x_train / 255.0, x_test / 255.0 # 构建模型 model = models.Sequential([ layers.Flatten(input_shape=(28, 28)), layers.Dense(128, activation='relu'), layers.Dropout(0.2), layers.Dense(10, activation='softmax') ]) # 编译模型 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 训练模型 history = model.fit(x_train, y_train, epochs=5, validation_split=0.1) # 评估模型 test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2) print('\nTest accuracy:', test_acc) # 绘制训练过程中的损失和准确率曲线 plt.figure(figsize=(12, 4)) plt.subplot(1, 2, 1) plt.plot(history.history['loss'], label='Training Loss') plt.plot(history.history['val_loss'], label='Validation Loss') plt.legend() plt.title('Loss over Epochs') plt.subplot(1, 2, 2) plt.plot(history.history['accuracy'], label='Training Accuracy') plt.plot(history.history['val_accuracy'], label='Validation Accuracy') plt.legend() plt.title('Accuracy over Epochs') plt.show() ``` 这个代码做了以下几件事情： 1. **加载MNIST数据集**：使用`tf.keras.datasets.mnist`加载手写数字数据集。 2. **数据预处理**：将图像像素值归一化到[0, 1]范围。 3. **构建模型**：使用Keras的`Sequential` API构建一个简单的全连接神经网络。网络包含一个输入层、一个隐藏层和一个输出层。 4. **编译模型**：指定优化器、损失函数和评估指标。 5. **训练模型**：使用训练数据进行模型训练，并设置验证集比例为10%。 6. **评估模型**：在测试数据上评估模型的性能。 7. **绘制训练过程曲线**：绘制训练和验证过程中的损失和准确率曲线。 这个代码展示了如何使用TensorFlow和Keras来构建、训练和评估一个简单的神经网络模型。如果你有更具体的需求或问题，请告诉我！