Tensorflow实战4：多层感知机

1.多层感知机简介
多层感知机（Multi-Layer Perceptron, MLP），又叫做多层神经网络。如果使用的是没有隐含层的神经网络，那么这样的神经网络只能解决一些线性可分的问题，但是在实际的生活中，很多问题并不是线性可分的，例如XOR函数问题，在这个特征空间中，这就是一个线性不可分问题，我们可以使用曲线来划分这两类样本。在通常情况下，神经网络的隐含层越多，就可以对原有的特征进行越抽象的变换，模型的拟合能力就越强。这个就是多层感知机的功能所在。

2.多层感知机的代码构建

加载MNIST数据集，并创建默认的Interactive Session

from tensorflow.examples.tutorials.mnist import input_data 
import tensorflow as tf 
mnist = input_data.read_data_sets(“MNIST_data”, one_hot = True) 
sess = tf.InteractiveSession()

定义隐含层的参数并进行初始化。这里的初始化使用的是截断的正态分布，其标准差为0.1。

in_units = 784
h1_units = 300
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placeholder

x = tf.placeholder(tf.float32, [None, in_units])
keep_prob = tf.placeholder(tf.float32)

定义模型结构，dropout相当于是随机的把一些节点置0，这样相当于是把一些图片中的像素点变成黑色，增加网络结构的泛化能力

hidden1 = tf.nn.relu(tf.matmul(x, w1) + b1)
hidden1_drop = tf.nn.dropout(hidden1, keep_prob)
y = tf.nn.softmax(tf.matmul(hidden1_drop, w2) + b2)

定义损失函数和优化器

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)

初始化数据，并设置训练次数。

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})

对模型进行预测

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})

这篇博客真是命途多舛，写了整整三遍，保存的时候各种报错，还被我不小心删掉了，真是绝了~~好歹坚持不懈，又写了一遍O(∩_∩)O