在tensorflow下构建二层神经网络和三层神经网络解决10分类任务对比

继刚才的逻辑回归解决的十分类任务意犹未尽，分别设计了二层和三层的神经网络对比解决这个10分类问题

下面画一个草图代表三层神经网络的计算图：

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
import input_data
mnist = input_data.read_data_sets('data/', one_hot=True)
# NETWORK TOPOLOGIES
n_hidden_1 = 256 #第一层256个神经元
n_hidden_2 = 128 #第二层128个神经元
n_hidden_3 =64  #第三层64个神经元
n_input    = 784 #n*784,其实就是一个28*28的灰度图
n_classes  = 10  #最后输出的10个数字的得分
# INPUTS AND OUTPUTS
x = tf.placeholder("float", [None, n_input])#跟之前的一样，现在会话层占个坑
y = tf.placeholder("float", [None, n_classes])#跟之前的一样，现在会话层占个坑
    
# NETWORK PARAMETERS
stddev = 0.1
weights = {
    'w1': tf.Variable(tf.random_normal([n_input, n_hidden_1], stddev=stddev)),
    'w2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2], stddev=stddev)),
    'w3': tf.Variable(tf.random_normal([n_hidden_2, n_hidden_3], stddev=stddev)),
    'out': tf.Variable(tf.random_normal([n_hidden_3, n_classes], stddev=stddev))#以上几句代码就是连接层与层之间的矩阵对其
}
biases = {
    'b1': tf.Variable(tf.random_normal([n_hidden_1])),
    'b2': tf.Variable(tf.random_normal([n_hidden_2])),
    'b3': tf.Variable(tf.random_normal([n_hidden_3])),
    'out': tf.Variable(tf.random_normal([n_classes]))#以上几句代码对应于每一层的biases偏移项
}
print ("NETWORK READY")
def multilayer_perceptron(_X, _weights, _biases):
    layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(_X, _weights['w1']), _biases['b1'])) 
    layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, _weights['w2']), _biases['b2']))
    layer_3 = tf.nn.sigmoid(tf.add(tf.matmul(layer_2, _weights['w3']), _biases['b3']))
    return (tf.matmul(layer_3, _weights['out']) + _biases['out'])#以上几句就是层与层之间的矩阵计算
# PREDICTION
pred = multilayer_perceptron(x, weights, biases)

# LOSS AND OPTIMIZER
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y)) 
optm = tf.train.GradientDescentOptimizer(learning_rate=0.001).minimize(cost) 
corr = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))    
accr = tf.reduce_mean(tf.cast(corr, "float"))#以上几句是定义损失函数和优化过程

# INITIALIZER
init = tf.global_variables_initializer()#定义初始化变量
print ("FUNCTIONS READY")
training_epochs = 20#以上和刚刚逻辑回归中的框架几乎差不多可对比理解
batch_size      = 100
display_step    = 4
# LAUNCH THE GRAPH
sess = tf.Session()
sess.run(init)
# OPTIMIZE
for epoch in range(training_epochs):
    avg_cost = 0.
    total_batch = int(mnist.train.num_examples/batch_size)
    # ITERATION
    for i in range(total_batch):
        batch_xs, batch_ys = mnist.train.next_batch(batch_size)
        feeds = {x: batch_xs, y: batch_ys}
        sess.run(optm, feed_dict=feeds)
        avg_cost += sess.run(cost, feed_dict=feeds)
    avg_cost = avg_cost / total_batch
    # DISPLAY
    if (epoch+1) % display_step == 0:
        print ("Epoch: %03d/%03d cost: %.9f" % (epoch, training_epochs, avg_cost))
        feeds = {x: batch_xs, y: batch_ys}
        train_acc = sess.run(accr, feed_dict=feeds)
        print ("TRAIN ACCURACY: %.3f" % (train_acc))
        feeds = {x: mnist.test.images, y: mnist.test.labels}
        test_acc = sess.run(accr, feed_dict=feeds)
        print ("TEST ACCURACY: %.3f" % (test_acc))
print ("OPTIMIZATION FINISHED")
打印3层神经网络结果：
Epoch: 003/020 cost: 2.301472056
TRAIN ACCURACY: 0.110
TEST ACCURACY: 0.113
Epoch: 007/020 cost: 2.300291767
TRAIN ACCURACY: 0.060
TEST ACCURACY: 0.113
Epoch: 011/020 cost: 2.299280995
TRAIN ACCURACY: 0.090
TEST ACCURACY: 0.113
Epoch: 015/020 cost: 2.298274851
TRAIN ACCURACY: 0.120
TEST ACCURACY: 0.113
Epoch: 019/020 cost: 2.297222061
TRAIN ACCURACY: 0.030
TEST ACCURACY: 0.113
OPTIMIZATION FINISHED
修改三层神经网络变成2层神经网络
打印2层神经网络结果：
Epoch: 003/020 cost: 2.269114979
TRAIN ACCURACY: 0.190
TEST ACCURACY: 0.250
Epoch: 007/020 cost: 2.233587230
TRAIN ACCURACY: 0.380
TEST ACCURACY: 0.368
Epoch: 011/020 cost: 2.194513177
TRAIN ACCURACY: 0.360
TEST ACCURACY: 0.458
Epoch: 015/020 cost: 2.149544148
TRAIN ACCURACY: 0.460
TEST ACCURACY: 0.528
Epoch: 019/020 cost: 2.096397300
TRAIN ACCURACY: 0.530
TEST ACCURACY: 0.593
OPTIMIZATION FINISHED

观察上面的对比可看到2层神经网络效果比三层神经网络效果要好，当然了这中间还有很多可以优化的地方，还要调参设置神经元的个数，再去观察分类效果，其实我们从刚刚的线性回归、逻辑回归到用神经网络去做分类任务，我们也能看到神经网络在于调参和设置相关的神经元，所以在解决实际问题是并不一定坚持用神经网络，可以结合传统的机器学习算法。

当然了从这两个不同层的神经网络，我们可以看到在tensorflow中玩神经网络它把我们的反向传播和相关复杂的计算都给封装起来了，这对我们来说太棒了，很简单直接调用即可，虽然这样简单我还是建议大家去看下相关的源码，去理解比如反向传播真正用代码实现是怎么个过程，有利于我们更深入的理解神经网络的正向和反向传播过程。

深夜每学到这里，大脑都异常兴奋，深度学习的世界总是给人无穷的吸引力，坚持努力探索，争取在深度学习的世界也能贡献自己的一份力量。