在 TensorFlow 中，通过 tensorflow.keras 模块构建 CNN 模型。首先加载 MNIST 数据集并进行归一化处理，接着构建包含卷积层（Conv2D）、池化层（MaxPooling2D）和全连接层（Dense）的顺序模型。训练模型时，使用 adam 优化器和 sparse_categorical_crossentropy 损失函数，通过 model.fit 方法进行训练。评估模型性能则通过 model.evaluate 方法。 在 PyTorch 中，同样加载 MNIST 数据集，并使用 torchvision.transforms 进行数据预处理。定义一个继承自 torch.nn.Module 的模型类，添加卷积层、池化层和全连接层。使用 torch.optim.Adam 和交叉熵损失函数训练模型，通过循环迭代数据加载器进行模型训练和评估。 循环神经网络（RNN）： TensorFlow 实现的 RNN 使用 tensorflow.keras.layers.SimpleRNN 层。定义模型时，指定 RNN 单元数量和返回序列的参数，最后通过全连接层连接到输出层。PyTorch 实现的 RNN 定义一个自定义模型类，包含 nn.RNN 层和全连接层。使用 torch.optim.Adam 优化器和均方误差损失函数训练模型，通过循环迭代数据进行训练，并在测试集上评估模型性能。