Tensorflow学习笔记：基础篇（4）——Mnist手写集改进版（添加隐藏层）

Tensorflow学习笔记：基础篇（4）——Mnist手写集改进版（添加隐藏层）

---

前序

— 前文中，我们的初始版本实现了一个非常简单的两层全连接网络来完成MNIST数据的分类问题，输入层784个神经元，输出层10个神经元，最终迭代计算20次，准确率在0.91左右，本文我们采取添加隐藏层的方法进行训练，看看效果如何
Reference：前文博客：Mnist手写集初始版本

---

计算流程

1、数据准备

2、准备好placeholder

3、初始化参数/权重

4、计算预测结果

5、计算损失值

6、初始化optimizer

7、指定迭代次数，并在session执行graph

---

代码示例

1、数据准备

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

# 载入数据集
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

# 每个批次送100张图片
batch_size = 100
# 计算一共有多少个批次
n_batch = mnist.train.num_examples // batch_size

2、准备好placeholder

x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])

3、初始化参数/权重

此处我们添加了两个隐藏层，分别有500和300个神经元，这样包括输入输出层，总共4层神经网络
其中：
（1）隐藏层初始化函数建议使用tf.truncated_normal()（截短的随机数）类型，而非前文中的tf.zero()（初始化为零）类型
（2）中间层的激活函数，本文使用tanh（双曲正切函数&#x