利用Tensorflow实现三层全连接的神经网络

1.Tensorflow的概述原理：

tensorflow的使用类似于一种框架定义，在使用tensorflow定义变量variable，和占位符tensorflow.placeholder()的时候，给出的是一种框架的定义。只有在会话控制模块tensorflow.session中调用run()，才能让对应的语句真正的执行。

这里关于tensorflow有一个很重要的计算图的概念，意思就是在你声明的一些框架变量之后，对变量的相关计算操作都会被连接，绘制成一个计算图，叶子结点就是你声明的一些参数变量，也是你最后要进行优化的参数，在计算图绘制完成之后，在会话控制模块对计算图的根节点进行反向追踪，才能对变量进行优化，计算图的构造是自然而然的，不需要程序员操心，这只是一个概念

这里我们基于sklearn中的莺尾花数据集进行三层全连接的神经网络搭建，数据集的导入不做详细介绍

第一步：因为我们要进行分类模型的训练，首先我们需要利用tensorflow的one_hot()独热编码函数，将数据集的label集编码成为对应编码集。one_hot（）中有两个核心的参数要传入，第一个就是待编码的列表格式的label集，第二个就是depth（也就是数据集是几分类就传几）。需要注意的是，这里的独热编码对象是一个列表！！！是一个列表！！列表！！重要的说三遍，函数会对传入的列表的每一个元素进行编码，如果是三分类且label为2的话就是[0,0,1]。

第二步：我们需要定义我们计算要的参数

1.输入集，input=tensorflow.placeholder(dtype,shape)，两个参数分别是你输入集的元素的数据类型是什么，和输入集的维度是什么，如果shape=[None,4],None表示该维度是任意的。这里注意你的dtype在进行后面的矩阵乘法的时候要和权重相一致

2.声明权重：输入层到隐含层权重声明为V=tensorflow.variable()，隐含层到输出层权重声明为W=tensorflow.variable(),函数参数是放入你要成为变量的tensor，注意tensorflow的变量默认的数据类型是float32，并且，能成为变量的都是后面我们需要