1、准备数据
把数据放进txt文件中（数据量大的话，就写一段程序自己把数据自动的写入txt文件中，任何语言都能实现），数据之间用逗号隔开，最后一列标注数据的标签（用于分类），比如0,1。每一行表示一个训练样本。如下图所示。
其中前三列表示数据（特征），最后一列表示数据（特征）的标签。注意：标签需要从0开始编码！
2、实现全连接网络
这个过程我就不多说了，如何非常简单，就是普通的代码实现，本篇博客的重点在于使用自己的数据，有些需要注意的地方我在后面会做注释。直接上代码
1 #隐含层参数设置 2 in_units=3 #输入神经元个数 3 h1_units=5 #隐含层输出神经元个数 4 5 #第二个隐含层神经元个数 6 h2_units=6 7 8 9 W1=tf.Variable(tf.truncated_normal([in_units,h1_units],stddev=0.1)) #隐含层权重，W初始化为截断正态分布 10 b1=tf.Variable(tf.zeros([h1_units])) #隐含层偏执设置为0 11 W2=tf.Variable(tf.truncated_normal([h1_units,h2_units],stddev=0.1)) #第二个隐含层权重，W初始化为截断正态分布 12 b2=tf.Variable(tf.zeros([h2_units])) #第二个隐含层偏执设置为0 13 14 W3=tf.Variable(tf.zeros([h2_units,2])) #输出层权重和偏执都设置为0 15 b3=tf.Variable(tf.zeros([2])) 16 17 #定义输入变量x和dropout比率 18 x=tf.placeholder(tf.float32,[None,3]) #列是 19 keep_prob=tf.placeholder(tf.float32) 20 21 #定义一个隐含层 22 hidden1=tf.nn.relu(tf.matmul(x,W1)+b1) 23 hidden1_drop=tf.nn.dropout(hidden1,keep_prob) 24 25 #定义第二个隐藏层 26 hidden2=tf.nn.relu(tf.matmul(hidden1_drop,W2)+b2) 27 hidden2_drop=tf.nn.dropout(hidden2,keep_prob)
需要注意的地方
in_units=3 #输入神经元个数，和特征的维度对应起来
x=tf.placeholder(tf.float32,[None,3]) #和特征的维度对应起来
3、实现损失函数
标准的softmax和交叉熵，不多说了。
1 y=tf.nn.softmax(tf.matmul(hidden2_drop,W3)+b3) 2 3 #定义损失函数和选择优化器 4 y_=tf.placeholder(tf.float32,[None,2]) #列是2，表示两类，行表示输入的训练样本个数，None表示不定 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)
需要注意的地方：
y_=tf.placeholder(tf.float32,[None,2]) #有几类就写几，我写的是两类，所以就是2
4、从txt中读取数据，并做处理
重点来了，首先从txt中把数据读取出来，然后对标签进行独热编码，什么是独热编码？索引表示类别，是哪个类别这一维就是非零（用1）。代码实现：
1 data=np.loadtxt('txt.txt',dtype='float',delimiter=',') 2 3 #将样本标签转换成独热编码 4 def label_change(before_label): 5 label_num=len(before_label) 6 change_arr=np.zeros((label_num,2)) #2表示有两类 7 for i in range(label_num): 8 #该样本标签数据要求从0开始 9 change_arr[i,int(before_label[i])]=1 10 return change_arr 11 12 #用于提取数据 13 def train(data): 14 data_train_x=data[:7,:3] #取前几行作为训练数据，7表示前7行，3表示取前三列，排除数据标签 15 data_train_y=label_change(data[:7,-1]) 16 return data_train_x,data_train_y 17 18 19 data_train_x,data_train_y=train(data)
需要注意的地方在代码中我都做了注释，不再赘述。
5、开始训练和测试
训练部分
1 for i in range(5): #迭代，取batch进行训练 2 img_batch, label_batch = tf.train.shuffle_batch([data_train_x, data_train_y], #随机取样本 3 batch_size=2, 4 num_threads=2, 5 capacity=7, 6 min_after_dequeue=2, 7 enqueue_many=True) 8 coord = tf.train.Coordinator() 9 threads = tf.train.start_queue_runners(coord=coord, sess=sess) 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 accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) 4 print(accuracy.eval({x:data_train_x,y_:data_train_y,keep_prob:1.0}))
这样就全部流程完成。其中网络结构可以做相应的修改，核心在于如何从txt中读取自己的数据输入到全连接神经网络（多层感知机）中进行训练和测试。
当然，也可以在定义变量的时候直接输入，不用从txt中读取。即：
1 image=[[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 label=[[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]]
直接定于数据的话，适合小数据量的情况，大数据量的情况并不适用。
好了，本篇博客介绍到此结束。下一篇介绍如何处理图像数据。
以上便是本章分享内容，有问题，可以进群871458817交流在群内下载资料学习。最后，感谢观看！