Tensorflow学习：手写数字识别完整版（准确率高达98%）

Tensorflow学习：手写数字识别完整版（准确率高达99.9%）

# 解决过拟合的方法：dropout
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

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

# 每个批次的大小：一次性向神经网络中放入100张图片进行训练:以矩阵的形式放进去
batch_size = 100
# 计算一共多少个批次 //:整除
n_batch = mnist.train.num_examples // batch_size

# 定义两个placeholder  None:过会以一个批次喂进去，784：28*28(把一个图片拉成一个784的向量) 10:输出时0-9的10个数
x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])
# 定义一个placeholder：设置dropout的参数
keep_prob = tf.placeholder(tf.float32)
#定义一个学习率的变量
lr = tf.Variable(0.001, dtype = tf.float32)

# 定义一个简单的神经网络（输入层784个神经元，输出层10个神经元，增加隐层）
# 定义权值：初始化为0并不是一种很好地初始化的方式
# W = tf.Variable(tf.zeros([784, 10]))
# 给权值初始化的时候：使用截断的产生正态分布的函数，标准差为0.1
W1 = tf.Variable(tf.truncated_normal([784, 500], stddev=0.1))
# 定义偏置值：初始化为0并不是一种很好地初始化的方式
# b = tf.Variable(tf.zeros([10]))
b1 = tf.Variable(tf.zeros([500]) + 0.1)
# 定义L1的输出
L1 = tf.nn.tanh(tf.matmul(x, W1) + b1)
# 定义L1的dropout:keep_prob:可以设置有百分之多少的神经元是工作的，等于1时是百分之百的神经元在工作
L1_drop = tf.nn.dropout(L1, keep_prob)

'''增加2个隐藏层：第一个隐藏层有500个神经元，第二个隐藏层有300个神经元'''
W2 = tf.Variable(tf.truncated_normal([500, 300]