评估全连接神经网络在MNIST数据集上的性能

1、代码的运⾏log截图

2、对模型结构的理解

本模型是一个2层的全连接神经元网络，包含输入层、1个隐藏层、1个输出层。

由784个神经元构成的张量作为输入层；其中该向量结构由32×32分辨率的二值化处理后的图像的所有像素点构成。

其中隐藏层的第一层包含100个节点。每个节点的值是输入层所有784个节点与其对应的权重相乘后再累加，并加入偏置项后的总和。这些值通过relu激活函数计算得出的结果即为该隐藏层的输出数值。

    L1_units_count = 100   #第一层网络
    
    W_1 = tf.Variable(initialize([784, L1_units_count]))
    b_1 = tf.Variable(initialize([L1_units_count]))
    logits_1 = tf.matmul(x, W_1) + b_1
    output_1 = tf.nn.relu(logits_1)

第二层是输出层，并具有10个节点。这些节点的值计算方式是将上一层的输出值