GPT答：

7i24.cn

当然可以，以下是一个简单的手写数字分类代码：

```python
import tensorflow as tf
from tensorflow import keras

# 加载 MNIST 数据集
mnist = keras.datasets.mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# 对数据进行预处理和归一化处理
train_images = train_images / 255.0
test_images = test_images / 255.0

# 构建模型并编译模型
model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10)
])
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 训练模型并评估准确率 
model.fit(train_images, train_labels, epochs=10)
test_loss, test_acc = model.evaluate(test_images, test_labels)

print('\nTest accuracy:', test_acc)

```

这个代码使用 TensorFlow 和 Keras 库来构建一个包含两个密集层的神经网络。该网络将输入图像展平为一维向量，并在第一个隐藏层中使用 ReLU 激活函数。输出层包含10个神经元，每个神经元对应于数字0到9之间的一个类别。

在训练过程中，我们使用 Adam 优化器和稀疏分类交叉熵损失函数来最小化误差。最后评估测试数据集上的准确率。

当然，这只是一个简单示例，你可以根据自己的需求和数据集进行修改和优化。