前言：

我們今天就先從建立模型開始進行手寫數字辨識。

程式開始：

（1）準備

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import matplotlib.pyplot as plt
import numpy as np
from time import time

mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

說明：

這個部份是進行一些以後會用到的函式以及資料的匯入。

（2）建立layer函數

def layer(out_dim,in_dim,inputs,activation=None):
        W = tf.Variable(tf.random_normal([in_dim,out_dim]))
        b = tf.Variable(tf.random_normal([1,out_dim]))
        XWb =tf.matmul(inputs,W) + b
        if activation is None:
            outputs = XWb
        else:
            outputs = activation(XWb)
        return outputs

說明：

這是上一篇文章介紹過的layer函數，今天我們要用他來建構我們的多層感知器。

（3）建立輸入輸出以及隱藏層

x=tf.placeholder("float",[None , 784])
h1=layer(out_dim=1000,in_dim=784,inputs=x, activation=tf.nn.relu)
y=layer(out_dim=10,in_dim=1000,inputs=h1,activation=None)

說明：

第1行：建立一個輸入層x，由於輸入的資料筆數不固定，所以我們第1維度設定為None，而因為輸入的數字像素為784，所以第2維度設定為784。

第2行：h1為第一個隱藏層，由於輸入層x的輸出為784而這個隱藏層是要去接x，所以他的輸入定義為784，而輸出部份可以依照自己喜好去更改，會對於訓練有不同的效果。

第3行：建立一個輸出層y，由於上一層的輸出為1000，所以這層的輸入必須為1000，而輸出則是由於數字辨識的答案只會有0~9這10種，所以設定為10。

輸入固定是784而輸出則固定為10，但是中間可以夾雜著若干的隱藏層，來增加多元感知器模型的準確律。

結語：

因為筆者也是第一次碰這個部份的東西，所以有許多東西都還在摸索，所以進度較慢，出錯的機率也比較高，敬請見諒。
也因為筆者還沒破完新手任務的緣故，所以沒辦法回應留言的大大們，請多見諒，也預祝大家期末順利ALL PASS。