深度学习——多层感知器（使用tensorflow)

   实现一个基于多层感知器的分类器，a.txt,b.txt,c.txt是三种类别的数据，读取数据的方法为 data = np.loadtxt("a.txt"),数据的维度为60，每类数据的百分之八十用于训练，百分之二十用于测试。

一.对所给的三个文件中的数据进行处理
首先读取文件，利用shape函数查看每个文件的行列数，列是固定的60即为特征，行数是指数据的个数，我们各取每个文件中数据的80%，合并成一个文件，同时给a文件的数据增添标签为001，b文件的标签为010，c文件的标签为100。具体的代码实现如下：
查看文件的行列：我们各取数据的80%，190160.8，185810.8，22403*0.8
于是，取a的0到15212行，b的0到14867行，c的0到17921行作为训练数据集，剩下的20%为测试数据集，并在第一列增加相应的标签

from __future__ import print_function
import tensorflow as tf 
import numpy as np
import random 
a1=np.loadtxt('a.txt')
a2=np.loadtxt('b.txt')
a3=np.loadtxt('c.txt')
b=np.concatenate((a1[0:15212],a2[0:14864],a3[0:17921]),axis=0)
f1=np.zeros((15212,3))
f2=np.zeros((14864,3))
f3=np.zeros((17921,3))
f1[:, 2]=1
f2[:, 1]=1
f3[:,