多层感知机python代码

多层感知机python代码，属于深度网络学习中的内容，multilayer-perceptron，python代码

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets（“.“ one_hot=True reshape=False）

import tensorflow as tf

# Parameters
learning_rate = 0.001
training_epochs = 20
batch_size = 128  # Decrease batch size if you don‘t have enough memory
display_step = 1

n_input = 784  # MNIST data input （img shape: 28*28）
n_classes = 10  # MNIST total classes （0-9 digits）

n_hidden_layer = 256 # layer number of features

# Store layers weight & bias
weights = {
    ‘hidden_layer‘: tf.Variable（tf.random_normal（[n_input n_hidden_layer]））
    ‘out‘: tf.Variable（tf.random_normal（[n_hidden_layer n_classes]））
}
biases = {
    ‘hidden_layer‘: tf.Variable（tf.random_normal（[n_hidden_layer]））
    ‘out‘: tf.Variable（tf.random_normal（[n_classes]））
}

# tf Graph input
x = tf.placeholder（“float“ [None 28 28 1]）
y = tf.placeholder（“float“ [None n_classes]）

x_flat = tf.reshape（x [-1 n_input]）

# Hidden layer with RELU activation
layer_1 = tf.add（tf.matmul（x_flat weights[‘hidden_layer‘]） biases[‘hidden_layer‘]）
layer_1 = tf.nn.relu（layer_1）
# Output layer with linear activation
logits = tf.matmul（layer_1 weights[‘out‘]） + biases[‘out‘]

# Define loss and optimizer
cost = tf.reduce_mean（tf.nn.softmax_cross_entropy_with_logits（logits y））
optimizer = tf.train.GradientDescentOptimizer（learning_rate=learning_rate）.minimize（cost）

# Initializing the variables
init = tf.initialize_all_variables（）

# Launch the graph
with tf.Session（） as sess:
    sess.run（init）
    # Training cycle
    for epoch in range（training_epochs）:
        total_batch = int（mnist.train.num_examples/batch_size）
        # Loop over all batches
        for i in range（total_batch）:
            batch_x batch_y = mnist.train.next_batch（batch_size）
            # Run optimization op （backprop） and cost op （to get loss value）
            sess.run（optimizer feed_dict={x: batch_x y: batch_y}）
        # Display logs per epoch step
        if epoch % display_step == 0:
            c = sess.run（cost feed_dict={x: batch_x y: batch_y}）
            print（“Epoch:“ ‘%04d‘ % （epoch+1） “cost=“ \
                “{:.9f}“.format（c））
    print（“Optimization Finished!“）

    # Test model
    correct_prediction = tf.equal（tf.argmax（logits 1） tf.argmax（y 1））
    # Calculate accuracy
    accuracy = tf.reduce_mean（tf.cast（correct_prediction “float“））
    # Decrease test_size if you don‘t have enough memory
    test_size = 256
    print（“Accuracy:“ accuracy.eval（{x: mnist.test.images[:test_size] y: mnist.test.labels[:test_size]}））

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2017-01-03 11:28  multilayer_perceptron\
     文件        6148  2017-01-03 11:28  multilayer_perceptron\.DS_Store
     目录           0  2017-01-03 11:28  __MACOSX\
     目录           0  2017-01-03 11:28  __MACOSX\multilayer_perceptron\
     文件         120  2017-01-03 11:28  __MACOSX\multilayer_perceptron\._.DS_Store
     文件        1386  2016-10-25 19:49  multilayer_perceptron\LICENSE
     文件         226  2016-10-25 19:49  __MACOSX\multilayer_perceptron\._LICENSE
     文件        2555  2017-01-03 11:26  multilayer_perceptron\multilayer_perceptron.py
     文件         226  2017-01-03 11:28  __MACOSX\._multilayer_perceptron