TensorFlow實現多層感知機MINIST分類
TensorFlow 支持自動求導，可以使用 TensorFlow 優化器來計算和使用梯度。使用梯度自動更新用變量定義的張量。本文將使用 TensorFlow 優化器來訓練網絡。

前面定義了層、權重、損失、梯度以及通過梯度更新權重。用公式實現可以幫助我們更好地理解，但隨著網絡層數的增加，這可能非常麻煩。

使用 TensorFlow 的一些強大功能，如 Contrib（層）來定義神經網絡層及使用 TensorFlow 自帶的優化器來計算和使用梯度。

通過前面的學習，已經知道如何使用 TensorFlow 的優化器。Contrib 可以用來添加各種層到神經網絡模型，如添加構建塊。這里使用的一個方法是 tf.contrib.layers.fully_connected，在 TensorFlow 文檔中定義如下：

這樣就添加了一個全連接層。

提示：上面那段代碼創建了一個稱為權重的變量，表示全連接的權重矩陣，該矩陣與輸入相乘產生隱藏層單元的張量。如果提供了 normalizer_fn（比如batch_norm），那么就會歸一化。否則，如果 normalizer_fn 是 None，并且設置了 biases_initializer，則會創建一個偏置變量并將其添加到隱藏層單元中。最后，如果 activation_fn 不是 None，它也會被應用到隱藏層單元。
具體做法
第一步是改變損失函數，盡管對于分類任務，最好使用交叉熵損失函數。這里繼續使用均方誤差（MSE）：

接下來，使用 GradientDescentOptimizer：

對于同一組超參數，只有這兩處改變，在測試數據集上的準確率只有 61.3%。增加 max_epoch，可以提高準確性，但不能有效地發揮 TensorFlow 的能力。

這是一個分類問題，所以最好使用交叉熵損失，隱藏層使用 ReLU 激活函數，輸出層使用 softmax 函數。做些必要的修改，完整代碼如下所示：

解讀分析
修改后的 MNIST MLP 分類器在測試數據集上只用了一個隱藏層，并且在 10 個 epoch 內，只需要幾行代碼，就可以得到 96% 的精度：

由此可見 TensorFlow 的強大之處。

總結

以上是生活随笔為你收集整理的TensorFlow实现多层感知机MINIST分类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。