编写含有三层网络BP神经网络实现MNIST手写数字集分类

好的，下面是示例代码：

import numpy as np
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 读取数据集
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 设置神经网络参数
n_input = 784  # 输入层节点数
n_hidden1 = 256  # 隐藏层1节点数
n_hidden2 = 128  # 隐藏层2节点数
n_output = 10  # 输出层节点数

# 定义占位符
x = tf.placeholder("float", [None, n_input])
y = tf.placeholder("float", [None, n_output])

# 定义权重和偏置
weights = {
    'h1': tf.Variable(tf.random_normal([n_input, n_hidden1])),
    'h2': tf.Variable(tf.random_normal([n_hidden1, n_hidden2])),
    'out': tf.Variable(tf.random_normal([n_hidden2, n_output]))
}
biases = {
    'b1': tf.Variable(tf.random_normal([n_hidden1])),
    'b2': tf.Variable(tf.random_normal([n_hidden2])),
    'out': tf.Variable(tf.random_normal([n_output]))
}

# 定义网络结构
def multilayer_perceptron(x, weights, biases):
    # 隐藏层1的输出
    layer1 = tf.add(tf.matmul(x, weights['h1']), biases['b1'])
    layer1 = tf.nn.relu(layer1)
    # 隐藏层2的输出
    layer2 = tf.add(tf.matmul(layer1, weights['h2']), biases['b2'])
    layer2 = tf.nn.relu(layer2)
    # 输出层的输出
    out_layer = tf.matmul(layer2, weights['out']) + biases['out']
    return out_layer

# 构建模型
pred = multilayer_perceptron(x, weights, biases)

# 定义损失函数和优化器
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y))
optimizer = tf.train.AdamOptimizer(learning_rate=0.01).minimize(cost)

# 初始化变量
init = tf.global_variables_initializer()

# 训练模型
with tf.Session() as sess:
    sess.run(init)
    # 循环训练1000次
    for epoch in range(1000):
        avg_cost = 0.
        total_batch = int(mnist.train.num_examples/batch_size)
        # 循环所有的batches
        for i in range(total_batch):
            batch_x, batch_y = mnist.train.next_batch(batch_size)
            # 运行优化器来更新权重和偏置
            _, c = sess.run([optimizer, cost], feed_dict={x: batch_x, y: batch_y})
            avg_cost += c / total_batch
        # 每100次输出一下损失函数
        if epoch % 100 == 0:
            print("Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(avg_cost))
    print("Optimization Finished!")
    
    # 测试模型
    correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
    print("Accuracy:", accuracy.eval({x: mnist.test.images, y: mnist.test.labels}))

在上述代码中，我们使用 TensorFlow 框架实现了一个包含三层神经网络的 BP 神经网络，并使用 MNIST 手写数字数据集进行分类任务的训练和测试。其中，我们设置了输入层节点数为 784，隐藏层1节点数为 256，隐藏层2节点数为 128，输出层节点数为 10。我们使用 ReLU 作为激活函数，Adam 作为优化器，损失函数采用 softmax 交叉熵。最后，我们训练模型1000次，并测试模型的准确率。