tensorflow：用自己的CSV数据集套用mnist的DBN模型（python实现）

试图用深度学习的DBN模型，来处理流量特征数据集。

（1、选用公共数据集LiWeiDataset——SiteB.UDP.arff.gz，下载网址：http://www.cl.cam.ac.uk/research/srg/netos/projects/brasil/data/index.html

2、模型参考MNIST的DBN模型实现代码，下载地址：https://github.com/xiaohu2015/DeepLearning_tutorials/blob/master/models/dbn.py）

公共数据集的初步处理：数据集共774141个流，提取700000万作为室友数据集，并将数据集分为训练集（600000）和测试集（100000）；其中训练集分为无监督训练集（550000）和验证训练集（50000）。

DBN模型的初步整理：由于参考的DBN模型的通用性，作为我的尝试性代码不需要所有的代码模块，为了代码目的性更清晰易懂，我通过尝试性地删减代码，并保证最终的代码模块仍然能够完整成功的实现 mnist 的分类，最后整理了我所需的代码模块实际上可以就用以下4个 .py 文件，并删除了文件中不必要的代码，方便后续直接明确的对代码进行修改：

第一步：导入数据集到DBN模型，是否成功跑通

1、试探性的套用模型，所以先选取数据集中的一部分数据（10000行10列）作为尝试—— SiteBUDP_test_label.csv ，行是数据量，列是9个数据特征标签和1个数据类别标签（分类4个类别）。

由于持有的数据集是CSV文件格式的（mnist数据的读取是封装在程序里调用的函数里，并不是通用的），于是先读取CSV文件数据（注意：数据文件和代码放在同一个目录下运行）：

[python]