# 用于 MNIST 分類的基于 TFLearn 的 MLP 現在讓我們看看如何使用 TFLearn 實現相同的 MLP，TFLearn 是 TensorFlow 的另一個高級庫： 1. 導入 TFLearn 庫： ```py import tflearn ``` 1. 定義超參數（我們假設數據集已經加載到`X_train`，`Y_train`，`X_test`和`Y_test`變量）： ```py 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. 構建輸入層，兩個隱藏層和輸出層（與 TensorFlow 和 Keras 部分中的示例相同） ```py # 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. 使用最后一步中構建的 DNN（在變量`softmax`中）定義優化器函數，神經網絡和 MLP 模型（在 TFLearn 中稱為 DNN）： ```py 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. 訓練模型： ```py model.fit(X_train, Y_train, n_epoch=n_epochs, batch_size=batch_size, show_metric=True, run_id="dense_model") ``` 訓練結束后，我們得到以下輸出： ```py 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. 評估模型并打印準確率分數： ```py score = model.evaluate(X_test, Y_test) print('Test accuracy:', score[0]) ``` 我們得到以下輸出： ```py Test accuracy: 0.9637 ``` 與使用 TFLearn 相比，我們獲得了相當的精確度。 在筆記本 `ch-05_MLP` 中提供了使用 TFLearn 進行 MNIST 分類的 MLP 的完整代碼。