我刚刚开始学习Tensorflow的机器学习，在完成MNIST初学者教程后，我想通过添加一个隐藏层来稍微提高那个简单模型的准确性。基本上，我决定直接复制Michael Nielsen关于神经网络和深度学习的书的第一章中的网络架构（见这里）。
Nielsen的代码对我来说运行得很好，但是使用以下Tensorflow代码时，我没有得到类似的结果。如果我没有弄错的话，它应该完全实现了Nielsen提出的模型：
from tensorflow.examples.tutorials.mnist import input_dataimport tensorflow as tfmnist = input_data.read_data_sets("MNIST_data/", one_hot=True)def weight_variable(shape): initial = tf.random_normal(shape) return tf.Variable(initial)def bias_variable(shape): initial = tf.random_normal(shape) return tf.Variable(initial)x = tf.placeholder(tf.float32, [None, 784])#hidden layerW_fc1 = weight_variable([784, 30])b_fc1 = bias_variable([30])h_fc1 = tf.sigmoid(tf.matmul(x, W_fc1) + b_fc1)#output layerW_fc2 = weight_variable([30, 10])b_fc2 = bias_variable([10])y = tf.sigmoid(tf.matmul(h_fc1, W_fc2) + b_fc2)y_ = tf.placeholder(tf.float32, [None, 10])loss = tf.reduce_mean(tf.reduce_sum(tf.pow(y_ - y, 2), reduction_indices=[1])) #I also tried simply tf.nn.l2_loss(y_ - y)train_step = tf.train.GradientDescentOptimizer(3.0).minimize(loss)sess = tf.InteractiveSession()tf.global_variables_initializer().run()def get_accuracy(): correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) return sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})for i in range(30): batch_xs, batch_ys = mnist.train.next_batch(10) sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) print("Epoch {} accuracy: {:.2f}%".format(i+1, get_accuracy() * 100))在训练30个周期后，我得到的准确率约为17%。使用Nielsen的代码，仅经过一个周期的训练，我就能得到91%的准确率。
显然我遗漏了什么。我尝试过提高准确率，通过更长时间的训练，我设法将其提高到约60%，但即使使用不同的后端代码，同样的网络也应该给出相似的结果。我还尝试调整超参数，但没有达到任何可比的结果。
你能在我代码中找到任何错误吗？
回答：
正如suharshs提到的，看起来你的问题是由于对“epoch”一词的误解造成的。虽然不一定是严格的，但一个epoch通常是对整个训练数据集的一次迭代。如果你再看一下Nielsen的代码，你会看到这在SGD方法中有所体现。一个epoch涉及遍历整个training_data，这些数据被分成小批次。你的每个epoch实际上是小批次的大小，只有10个样本。
