1、代码的运⾏log截图
2、对模型结构的理解
本模型是一个2层的全连接神经元网络,包含输入层、1个隐藏层、1个输出层。
输入层为784个node的张量,既为32*32分辨率并经过二值化后的图片的所有像素点组成的一个向量。
第一层为隐藏层,有100个node,其值为输入层的784个节点乘以784*100个权重加上偏置项后的和,经过relu激活函数取得的结果。
L1_units_count = 100 #第一层网络
W_1 = tf.Variable(initialize([784, L1_units_count]))
b_1 = tf.Variable(initialize([L1_units_count]))
logits_1 = tf.matmul(x, W_1) + b_1
output_1 = tf.nn.relu(logits_1)
第二层为输出层,输出10个node,其值为隐藏层的输出值乘以100*10个权重,加上偏置项取得(此时的数据未经过激活函数,将会在后面使用softmax函数激活)。
L2_units_count = 10 #第二层网络
W_2 = tf.Variable(initialize([L1_units_count, L2_units_count]))
b_2 = tf.Variable(initialize([L2_units_count]))
logits_2 =