用python代码构建一个深度学习网络

以下是一个使用Python构建深度学习网络的示例代码。本代码使用TensorFlow库实现一个简单的多层感知器（MLP）网络。

首先，我们需要导入必要的库，包括TensorFlow和NumPy。

import tensorflow as tf
import numpy as np

接下来，我们定义网络的输入和输出。在本例中，我们将使用MNIST数据集进行训练，该数据集包含手写数字的图像。每个图像都是28x28像素的灰度图像。因此，我们需要定义输入为28x28的张量，并且输出为10个数字的概率分布，每个数字对应于0-9中的一个。

# Define input and output
x = tf.placeholder(tf.float32, [None, 28, 28])
y_true = tf.placeholder(tf.float32, [None, 10])

接下来，我们将输入张量重新形状为一个向量，以便可以将其输入到网络的第一层中。我们还定义了一个隐藏层，该层具有128个神经元，并使用ReLU激活函数。最后，我们定义输出层，该层使用softmax激活函数将128个隐藏神经元的输出转换为10个数字的概率分布。

# Reshape input to a vector
x_flat = tf.reshape(x, [-1, 28*28])

# Define hidden layer
W1 = tf.Variable(tf.truncated_normal([28*28, 128], stddev=0.1))
b1 = tf.Variable(tf.constant(0.1, shape=[128]))
h1 = tf.nn.relu(tf.matmul(x_flat, W1) + b1)

# Define output layer
W2 = tf.Variable(tf.truncated_normal([128, 10], stddev=0.1))
b2 = tf.Variable(tf.constant(0.1, shape=[10]))
y_pred = tf.nn.softmax(tf.matmul(h1, W2) + b2)

现在我们定义了网络的前向传播，我们需要定义损失函数和优化器。在本例中，我们将使用交叉熵作为损失函数，并使用Adam优化器来最小化损失。

# Define loss function and optimizer
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_true * tf.log(y_pred), reduction_indices=[1]))
train_step = tf.train.AdamOptimizer(learning_rate=0.001).minimize(cross_entropy)

最后，我们定义一个函数来训练网络。我们将从MNIST数据集中随机选择100个图像进行训练，并在每个训练步骤后计算损失并输出结果。

# Train the network
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())

    for i in range(1000):
        batch_xs, batch_ys = mnist.train.next_batch(100)
        sess.run(train_step, feed_dict={x: batch_xs.reshape(-1, 28, 28), y_true: batch_ys})

        if i % 100 == 0:
            loss = sess.run(cross_entropy, feed_dict={x: mnist.test.images.reshape(-1, 28, 28), y_true: mnist.test.labels})
            print("Step %d, loss = %.4f" % (i, loss))

这就是一个使用Python和TensorFlow构建深度学习网络的简单示例。当然，这只是入门级的示例，实际的深度学习网络可能会更复杂，包含更多的层和更多的参数。