手写数字识别----全连接网络（DNN）

手写数字识别

数据集和部分代码来自：https://aistudio.baidu.com/aistudio/projectDetail/101813

我们直接进入我们的实现部分;
我们先来本次任务的流程，大部分神经网络也是这个流程：

接下来我们直接进入数据的处理部分：

#导入需要的包
import numpy as np
import paddle as paddle
import paddle.fluid as fluid
from PIL import Image
import matplotlib.pyplot as plt
import os   #导入必要的包 用飞桨网络作为框架
BUF_SIZE=512
BATCH_SIZE=128
#用于训练的数据提供器，每次从缓存中随机读取批次大小的数据
train_reader = paddle.batch(
    paddle.reader.shuffle(paddle.dataset.mnist.train(),
                          buf_size=BUF_SIZE),
    batch_size=BATCH_SIZE)
#用于训练的数据提供器，每次从缓存中随机读取批次大小的数据
test_reader = paddle.batch(
    paddle.reader.shuffle(paddle.dataset.mnist.test(),
                          buf_size=BUF_SIZE),
    batch_size=BATCH_SIZE)
#用于打印，查看mnist数据
train_data=paddle.dataset.mnist.train();
sampledata=next(train_data()) #next用法：返回迭代器的下一个项目
print(sampledata)

train_reader和test_reader
paddle.dataset.mnist.train()和test()分别用于获取mnist训练集和测试集
paddle.reader.shuffle()表示每次缓存BUF_SIZE个数据项，并进行打乱
paddle.batch()表示每BATCH_SIZE组成一个batch
接下来就到了配置网络的部分，本次网络使用的是DNN全连接网络，把每一个神经元都连接在一起，全部连接，所以命名为：全连接网络：

# 定义多层感知器 
def multilayer_perceptron(input): 
    # 第一个全连接层，激活函数为ReLU 
    hidden1 = fluid.layers.fc(input=input, size=100, act='relu') 
    # 第二个全连接层，激活函数为ReLU 
    hidden2 = fluid.layers.fc(input=hidden1, size=100, act='relu') 
    # 以softmax为激活函数的全连接输出层，输出层的大小必须为数字的个数10 
    prediction = fluid.layers.fc(input=hidden2, size=10, act='softmax') 
    return prediction 

以上我们就定义完了一个简单的全连接网络，两个隐层都是100层，最后全连接输出层为10层，聪明的朋友应该已经想到为什么是十层了，手写数字识别，识别的数字是0-9，固然为10层。
激活函数：<