#載入資料集

#載入資料集
mnist = input_data.read_data_sets('MNIST_data',one_hot=True)

#每批次放進100個
batch_size = 50
#計算一共有多少批次
n_batch = mnist.train.num_examples // batch_size

#定義兩個placeholder 屬性的個數是固定的  樣本數是變化的
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10]) 
#兩個None對應位置是一樣的

#建立第一個隱層神經網路
W_1 = tf.Variable(tf.random_normal([784,40])*0.01)
b_1 = tf.Variable(tf.zeros([40]))
Wx_plus_b_1 = tf.matmul(x,W_1)+b_1
#雖然與ng講的是相反的 但是這裡維度是相對應乘起來的，多以沒啥問題
#行數是樣本數  一行裡面有784個feature  所以列是784 列    最後維度要對應上
prediction_L1 = tf.nn.tanh(Wx_plus_b_1)

#建立第二隱層
W_2 = tf.Variable(tf.random_normal([40,20])*0.01)
b_2 = tf.Variable(tf.zeros([20]))
Wx_plus_b_2 = tf.matmul(prediction_L1,W_2)+b_2
prediction_L2 = tf.nn.tanh(Wx_plus_b_2)

#建立輸出層
W_3 = tf.Variable(tf.random_normal([20,10])*0.01)
b_3 = tf.Variable(tf.zeros([10]))
Wx_plus_b_3 = tf.matmul(prediction_L2,W_3)+b_3
prediction = tf.nn.softmax(Wx_plus_b_3)

#二次代價函式
loss = tf.reduce_mean(tf.square(y-prediction))
#使用梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(loss)

#初始化變數
init = tf.global_variables_initializer()

#
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
#tf.equal(x,y) 看x，y是否一樣  一樣就true
# argmax的0就是縱向的元素中最大的那個的索引
# 1 就是每行橫向的元素中最大的那個元素的索引
# 0軸就是豎向，1就是橫向 但是要分清元素還是層級
#arg會返回一個array
#最終返回布林型別列表

#求準確率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
#tf.cast 是將布林型別轉化為浮點型

#建立會話
with tf.Session() as sess:
    sess.run(init)
    for epoch in range(145):
        for batch in range(n_batch):
            batch_xs,batch_ys = mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
            
        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        #利用訓練集上的資料來勁訓練，用測試級來進行
        print('Iter'+ str(epoch)+',testing accuracy'+str(acc))
 

通過修改引數，權值的初始化方式，學習率，迭代週期，增加隱層，已經將準確率達到0.95以上