Tensorflow实现多层感知机

    今天对照Tensorflow的书，实现了一个简单的多层感知机。基于MNIST数据集。

    多层感知机与之前的Softmax Regression的区别是多了一层隐藏层，但是，本质上还是FCN（全连接神经网络），与卷积神经网络还是有差距的。

下面上代码：

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf

#加载数据与创建默认的Session
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
sess = tf.InteractiveSession()

#定义隐藏层的参数并进行初始化
in_units = 784
h1_units = 300
#将W1初始化为正态分布，并增加一个0.1的标准差
W1 = tf.Variable(tf.truncated_normal([in_units, h1_units], stddev=0.1))
b1 = tf.Variable(tf.zeros([h1_units]))
W2 = tf.Variable(tf.zeros([h1_units, 10]))
b2 = tf.Variable(tf.zeros([10]))

#定义输入x的placeholder,并定义一个dropout（用于随机丢弃）
x = tf.placeholder(tf.float32, [None, in_units])
keep_prob = tf.placeholder(tf.float32)

#定义模型结构
#定义激活函数为relu的一个隐藏层
hidden1 = tf.nn.relu(tf.matmul(x, W1) + b1)
hidden1_drop = tf.nn.dropout(hidden1, keep_prob)
#用softmax作为输出层
y = tf.nn.softmax(tf.matmul(hidden1_drop, W2) + b2)

#定义损失函数和自适应打优化器Adagrad
y_ = tf.placeholder(tf.float32, [None, 10])
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))
train_step = tf.train.AdagradOptimizer(0.3).minimize(cross_entropy)

#训练，保留75%的节点,其余25%设置为0
tf.global_variables_initializer().run()
for i in range(3000):
batch_xs, batch_ys = mnist.train.next_batch(100)
train_step.run({x: batch_xs, y_: batch_ys, keep_prob: 0.75})

#进行准确率评测，将节点全部保留，keep_prob设为1
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))

实验结果：