企业官网建设流程全解析

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

fromtensorflow.examples.tutorials.mnistimportinput_dataimporttensorflowastf 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=784h1_units=300w1=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()foriinrange(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