1、データを準備
TXTファイルへのデータ（データの量、それは自動的に任意の言語を達成することができ、ファイルTXT独自のデータを書き込むためにプログラムを書くことですが）、データ間をカンマで区切られ、最後にマークされたデータタグ（など0,1のように、）分類のため。各行は、トレーニングサンプルを表します。図に示すように。
前記最初の3つの列（特徴）を表すデータは、最後の列は、データ（特徴）のラベルを示しています。注：ラベルはコーディングゼロからスタートする必要があります！
2、完全なネットワーク接続を実現するために
私は、それが一般的なコードの実装がどのように非常に単純な、言うことはありません。このプロセスは、このブログの焦点は、独自のデータ、私は以下のコメントをするでしょう、いくつかの注意事項を使用することです。直接コードに
1 ＃隠されたレイヤパラメータ 2 in_units。3 = ＃入力ニューロン番号 3 h1_units = 5 ＃隠れ層と出力ニューロンの数 。4 。5 ＃第二隠れ層のニューロンの数 。6 h2_units = 6 。7 。8 。9 tf.Variable = W1の（tf.truncated_normal（[in_units、h1_units]、STDDEV = 0.1）） ＃隠された層の重み、Wが正常遮断する初期化される 10 B1 = tf.Variable（tf.zeros（[h1_units]）） ＃隠された層はパラノイア0に設定されている 。11 tf.VariableのW2 =（tf.truncated_normal（[h1_units、h2_units]、STDDEV = 0.1）） ＃第二隠れ層の重み、Wは、通常、カットオフに初期化される 12は B2 = TF .Variable（tf.zeros（[h2_units]）） ＃ゼロに第二隠れ層パラノイアセット 13は 14 tf.VariableのW3は、=（tf.zeros（[h2_units、2]）） ＃の出力層の重みとパラノイアは0に設定されている 15 B3 = tf.Variable（tf.zeros（[2 ]）） 16 。17 ＃が入力変数を定義しますxおよびドロップアウト率 18であり、X = tf.placeholder（tf.float32、[なし] ,. 3]）＃1 列 19 keep_prob = tf.placeholder（tf.float32） 20は 21である ＃は隠された層を定義する 22である hidden1 = tf.nn. RELU（tf.matmul（X、W1 +）のB1） 23がある hidden1_drop = tf.nn.dropout（hidden1、keep_prob） 24の 25 ＃は、第二中間層定義 26は hidden2 = tf.nn.relu（tf.matmul（hidden1_drop、 W2）+ B2） 27 hidden2_drop = tf.nn.dropout（hidden2、keep_prob）
要注意
in_units = 3＃入力ニューロンの数、寸法および関連の特性
X = tf.placeholder（tf.float32、[なし]、[3]）＃寸法および関連の特性
3、実現損失関数
標準ソフトマックスとクロスエントロピー、あまりないと言っています。
1 Y = tf.nn.softmax（tf.matmul（hidden2_drop、W3 +）のB3） 2 。3 位損失関数と選択オプティマイザを定義する 。4 Y_ = tf.placeholder（tf.float32、[なし]、[2]） ＃1 列です図2は2つの行が、訓練入力サンプルの数を表し、いずれも示していない不明 。5 。6 corss_entropy = tf.reduce_mean（-tf.reduce_sum（Y_ * tf.log（Y）、reduction_indices = [1 ]）） 。7 train_step = tf.train.AdagradOptimizer（0.3）.minimize（corss_entropy）
重要な考慮事項：
Y_ = tf.placeholder（tf.float32、[なし]、2]）＃数を書き込むためのいくつかの種類がありますが、私はそうは2という2つのカテゴリを書きました
図4に示すように、データは、TXT、およびメイク処理から読み出されます
最初のデータのすべてのの、ここでの焦点のtxtから読み出し、その後、ラベルはワンホットエンコーディングされ、ワンホットエンコーディングは何ですか？インデックスは、カテゴリは、（1）非ゼロ次元である、カテゴリを示します。コードの実装：
1データ= np.loadtxt（' txt.txt '、DTYPE = ' フロート'、DELIMITER = ' ' ） 2 3。 ＃ホット符号化されたラベルにサンプルを変換する4。DEFのlabel_change（BEFORE_LABEL）： 5 label_num = LEN（BEFORE_LABEL） 6 change_arr np.zeros =（（label_num、2）） ＃2は、2つのタイプがあることを示し7。ための I における範囲（label_num）： 8 ＃ゼロからのサンプルタグデータ要求9 change_arr [I、INT（BEFORE_LABEL [I]） ]。1 = 10 リターンchange_arr 。11 12 ＃データを抽出するための 13である DEF トレイン（データ）： 14 data_train_xデータ= [：7 ,: 3] ＃のトレーニングデータとし、フロントラインは、フロントライン7 7を表し、3は、最初の3つの列を取って表し、除外データタグ 15 = label_change data_train_y（DATA [：7、-1 ]） 16 リターンdata_train_x、data_train_y 。17 18である 。19 data_train_x、data_train_y =トレイン（データ）
私がコメントを行っているコードに注意が必要な領域は、それらを繰り返しません。
5、トレーニングとテストを開始
研修課
1 用 I における範囲（5）： ＃の反復バッチトレーニング取る 2 img_batch、label_batch tf.train.shuffle_batch =（[data_train_x、data_train_y]、 ＃ランダムサンプリングに存在する 3。 BATCH_SIZE = 2 、 4。 NUM_THREADS = 2 、 5。 容量=図7 、 図6 min_after_dequeue = 2 、 。7 enqueue_many = TRUE） 。8 COORD = tf.train.Coordinator（） 9つの スレッド= tf.train.start_queue_runners（COORD = COORD、SESの= SESの） 10 11 12 img_batch、label_batch = sess.run（[img_batch、label_batch]） 13 14 train_step.run（{ X：img_batch、Y_：label_batch、keep_prob：0.75}
1 ＃预测部分 2 correct_prediction = tf.equal（tf.argmax（Y、1）、tf.argmax（Y_、1 ）） 3精度= tf.reduce_mean（tf.cast（correct_prediction、tf.float32）） 4 プリント（ accuracy.eval（{X：data_train_x、Y_：data_train_y、keep_prob：1.0}））
すべてのプロセスのような完成。ネットワーク構造は適宜変更可能であり、コアがデータを読み出す方法で完全に接続されたニューラル・ネットワーク・トレーニングおよびTXT試験から（MLP）それ自身に入力されます。
もちろん、定義がTXTから読み取れません、時間変数に直接入力することができます。すなわち：
1枚の画像= [1.0,2.0,3.0]、[9,8,5]、[9,5,6]、[7,5,3]、[6,12,7]、[8,3,6 ] [2,8,71 ] 2ラベル= [0,1]、[1,0]、[1,0]、[1,0]、[1,0]、[0,1]、 [0,1 ] 3 image_test = [9,9,9 ] 4 label_test = [0,1]
直接スケジュールされたデータは、少量のデータのための状況は、大規模なデータ量が適用されません。
さて、このブログは、この目的のために導入されました。次は、画像データを処理する方法。