用于 MNIST 分类的基于 TFLearn 的 MLP

现在让我们看看如何使用 TFLearn 实现相同的 MLP，TFLearn 是 TensorFlow 的另一个高级库：

1. 导入 TFLearn 库：

import tflearn

1. 定义超参数（我们假设数据集已经加载到X_train，Y_train，X_test和Y_test变量）：

num_layers = 2
num_neurons = []
for i in range(num_layers):
num_neurons.append(256)

learning_rate = 0.01
n_epochs = 50
batch_size = 100

1. 构建输入层，两个隐藏层和输出层（与 TensorFlow 和 Keras 部分中的示例相同）

# Build deep neural network
input_layer = tflearn.input_data(shape=[None, num_inputs])
dense1 = tflearn.fully_connected(input_layer, num_neurons[0], 
    activation='relu')
dense2 = tflearn.fully_connected(dense1, num_neurons[1], 
    activation='relu')
softmax = tflearn.fully_connected(dense2, num_outputs, 
    activation='softmax')

1. 使用最后一步中构建的 DNN（在变量softmax中）定义优化器函数，神经网络和 MLP 模型（在 TFLearn 中称为 DNN）：

optimizer = tflearn.SGD(learning_rate=learning_rate)
net = tflearn.regression(softmax, optimizer=optimizer, 
                         metric=tflearn.metrics.Accuracy(), 
                         loss='categorical_crossentropy')
model = tflearn.DNN(net)

1. 训练模型：

model.fit(X_train, Y_train, n_epoch=n_epochs, 
          batch_size=batch_size, 
          show_metric=True, run_id="dense_model")

训练结束后，我们得到以下输出：

Training Step: 27499  | total loss: 0.11236 | time: 5.853s
| SGD | epoch: 050 | loss: 0.11236 - acc: 0.9687 -- iter: 54900/55000
Training Step: 27500  | total loss: 0.11836 | time: 5.863s
| SGD | epoch: 050 | loss: 0.11836 - acc: 0.9658 -- iter: 55000/55000
--

1. 评估模型并打印准确率分数：

score = model.evaluate(X_test, Y_test)
print('Test accuracy:', score[0])

我们得到以下输出：

Test accuracy: 0.9637

与使用 TFLearn 相比，我们获得了相当的精确度。

在笔记本 ch-05_MLP 中提供了使用 TFLearn 进行 MNIST 分类的 MLP 的完整代码。