在【TensorFlow學習筆記(一)：手寫數字識別之softmax迴歸】中：

我使用softmax迴歸演算法識別mnist資料集的手寫數字，在我機器上的mnist測試集上最好結果是 92.9% 。

在本節中，我們基於【TensorFlow學習筆記(一)：手寫數字識別之softmax迴歸】的程式碼，只修改幾行程式碼，把softmax迴歸改為含一個隱層的多層感知機。

然後看看在mnist測試集上的準確率會是多少？

我增加一個含 500 個神經元的隱層。

在【TensorFlow學習筆記(一)：手寫數字識別之softmax迴歸】的基礎上修改：

修改前的程式碼：

修改後的程式碼：

然後執行整個網路，在我的電腦上，準確率是 98.14% ，結果如下：

>>> 

完整程式碼如下：

import  numpy  as np
import  tensorflow  as  tf
from  tensorflow.examples.tutorials.mnist  import  input_data
mnist  =  input_data.read_data_sets ( "MNIST_data/",  one_hot = True )

x = tf.placeholder ( tf.float32, [ None, 784 ] )
y_ = tf.placeholder ( tf.float32, [ None, 10 ] )

w1 = tf.Variable ( tf.truncated_normal ( [ 784,  500 ] ,  stddev = 0.1 ) )
b1 = tf.Variable ( tf.zeros ( [ 500 ] ) )
w2 = tf.Variable ( tf.truncated_normal ( [ 500,  10 ] , stddev = 0.1 ) )
b2 = tf.Variable ( tf.zeros ( [ 10 ] ) )

h1 = tf.nn.relu ( tf.matmul ( x,  w1 )  + b1 )
y = tf.nn.softmax ( tf.matmul ( h1,  w2 )  +  b2 )

cross_entropy = tf.reduce_mean ( -tf.reduce_sum ( y_ * tf.log ( y ), 1 ) )
train_step = tf.train.GradientDescentOptimizer ( 0.03 ) .minimize ( cross_entropy )

correct_prediction = tf.equal ( tf.argmax ( y, 1 ) ,tf.argmax ( y_, 1 ) )
accuracy = tf.reduce_mean ( tf.cast ( correct_prediction, "float" ) )


init = tf.global_variables_initializer ( )
with  tf.Session()  as  sess:
  sess.run ( init )
  for  i  in  range ( 200000 ) :
    batch_xs, batch_ys = mnist.train.next_batch ( 100 )
    result = sess.run ( [ accuracy, train_step ], feed_dict = { x:batch_xs, y_:batch_ys } )
    
    if ( i % 100 == 0 ):
      print ( "accuracy:", sess.run ( accuracy, feed_dict = { x:mnist.test.images, y_:mnist.test.labels } ),"    step:", i )