diff --git a/ANN_mnist.py b/ANN_mnist.py
index 50167f9..0561128 100644
--- a/ANN_mnist.py
+++ b/ANN_mnist.py
@@ -2,7 +2,7 @@
 # 训练简单的神经网络,并显示运行时间
 # 数据集：mnnist
 #===============================================
-from __future__ import absolute_import
+"""from __future__ import absolute_import
 from __future__ import division
 from __future__ import print_function
 
@@ -48,4 +48,62 @@ accuracy = tf.reduce_mean(tf.cast(correct_prediction, 'float'))
 print(sess.run(accuracy,feed_dict={x:mnist_data.test.images,y:mnist_data.test.labels}))
 
 endtime=datetime.datetime.now()
-print('total time endtime-starttime:', endtime-starttime)
\ No newline at end of file
+print('total time endtime-starttime:', endtime-starttime)"""
+
+"""由于tensorflow更新至了2.0,1.0的方法许多已经被合并调整后弃用了,所以使用chatgpt更新了2.0版本的代码如下"""
+
+# 导入 TensorFlow 和相关的 Keras 类和函数
+import tensorflow as tf
+from tensorflow.keras.layers import Dense
+from tensorflow.keras.models import Sequential
+from tensorflow.keras.optimizers import SGD
+import datetime
+
+# 加载 MNIST 数据集，这是一个手写数字的图像数据集，用于训练和测试机器学习模型。
+mnist = tf.keras.datasets.mnist
+(x_train, y_train), (x_test, y_test) = mnist.load_data()
+
+# 对数据进行归一化处理，将像素值从 [0, 255] 缩放到 [0, 1] 区间，这有助于模型的训练。
+x_train, x_test = x_train / 255.0, x_test / 255.0
+
+# 将图像数据从 28x28 的矩阵形式转换成 784 维的向量形式。
+x_train = x_train.reshape(-1, 784)
+x_test = x_test.reshape(-1, 784)
+
+# 将标签转换为 one-hot 编码，这是将分类标签转换为仅在对应类的位置为 1，其余为 0 的向量。
+y_train = tf.keras.utils.to_categorical(y_train, 10)
+y_test = tf.keras.utils.to_categorical(y_test, 10)
+
+# 创建一个 Sequential 模型。这是一种线性堆叠的模型，您可以通过在列表中添加层来构建模型。
+model = Sequential([
+    Dense(10, activation='softmax', input_shape=(784,))
+])
+
+# 编译模型。这一步设置了模型的优化器、损失函数和评估指标。
+# - 使用 SGD（随机梯度下降）优化器。
+# - 损失函数使用 categorical_crossentropy，适用于多分类问题。
+# - 评估指标使用准确率（accuracy）。
+model.compile(optimizer=SGD(lr=0.3), 
+              loss='categorical_crossentropy',
+              metrics=['accuracy'])
+
+# 记录训练开始时间。
+starttime = datetime.datetime.now()
+
+# 训练模型。这里使用 fit 方法对模型进行训练。
+# - x_train 和 y_train 是训练数据和标签。
+# - epochs=10 表示总共训练 10 个周期。
+# - batch_size=100 指定每次梯度更新时使用的样本数量。
+model.fit(x_train, y_train, epochs=10, batch_size=100)
+
+# 记录训练结束时间。
+endtime = datetime.datetime.now()
+
+# 在测试集上评估模型性能。
+# - x_test 和 y_test 是测试数据和标签。
+# 这里返回的是模型在测试数据上的损失值和准确率。
+loss, accuracy = model.evaluate(x_test, y_test)
+print(f"Test Accuracy: {accuracy}")
+
+# 打印总的训练时间。
+print('Total time (endtime - starttime):', endtime - starttime)
diff --git a/data/mnist/t10k-images-idx3-ubyte.gz b/data/mnist/t10k-images-idx3-ubyte.gz
new file mode 100644
index 0000000..5ace8ea
Binary files /dev/null and b/data/mnist/t10k-images-idx3-ubyte.gz differ
diff --git a/data/mnist/t10k-labels-idx1-ubyte.gz b/data/mnist/t10k-labels-idx1-ubyte.gz
new file mode 100644
index 0000000..a7e1415
Binary files /dev/null and b/data/mnist/t10k-labels-idx1-ubyte.gz differ
diff --git a/data/mnist/train-images-idx3-ubyte.gz b/data/mnist/train-images-idx3-ubyte.gz
new file mode 100644
index 0000000..b50e4b6
Binary files /dev/null and b/data/mnist/train-images-idx3-ubyte.gz differ
diff --git a/data/mnist/train-labels-idx1-ubyte.gz b/data/mnist/train-labels-idx1-ubyte.gz
new file mode 100644
index 0000000..707a576
Binary files /dev/null and b/data/mnist/train-labels-idx1-ubyte.gz differ