深度学习基础 - MNIST实验（tensorflow+MLP）

采用MLP（多层感知机）模型进行mnist分类任务，尝试Adam、Dropout等训练策略。

本文的完整代码托管在我的Github PnYuan - Practice-of-Machine-Learning - MNIST_tensorflow_demo，欢迎交流。

1.任务背景

在前一篇深度学习基础 - MNIST实验（tensorflow+Softmax）的基础上，我们进一步引入MLP（multi-layer perceptron - 多层感知机）来进行mnist实验，以期实现更好的识别效果。

关于mnist数据集的相关基础信息可参考前一篇文章或MNIST官网。

2.实验过程

实验参考代码：python + tensorflow

2.1.MLP建模

这里，MLP用于MNIST分类实验，输入是x - 28×28=784的图片灰度向量，输出是类别标签y ~ [0,1,2,...,9]，拟构建的MLP（全连接NN）模型如下图示：

这里我们从一个无隐含层模型（即Softmax）开始，逐渐增加神经网络规模，来观察效果变化情况。

为适应任意层数和层内神经元节点数的开发需求，编写参数初始化和前向传播函数如下：

'''(MLP) parameter initial'''
def mlp_param_init(dim):
    """