简单的用于解决分类问题的神经网络

原理可以自己去看关于深度学习的网课，然后学习一下tensorflow的使用。看懂下面这段代码，你便学会了简单的深度学习

import tensorflow as tf
import numpy as np
learning_rate = 0.001 #学习率
BATCH_SIZE = 8
seed = 23455
r = np.random.RandomState(seed)
#利用随机数产生32x2的矩阵作为数据集
X = r.rand(32,2)
#如果两个特征的值加起来小于1，则标签为1
Y = [[int(x0+x1<1)] for (x0,x1) in X]
#神经网络的输入与输出
x = tf.placeholder(tf.float32,shape=(None,2))
w = tf.Variable(tf.random_normal([2,3],stddev=1,mean=0))
w1 = tf.Variable(tf.random_normal([3,1],stddev=1,mean=0))
y_ = tf.placeholder(tf.float32,shape=(None,1))
y = tf.matmul(x,w)
y1 = tf.matmul(y,w1)
#损失函数与梯度下降法（此处的反向传播用梯度下降法） 
loss = tf.reduce_mean(tf.square(y1-y_))
train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)
#迭代次数
steps=int(input())
#通过会话来进行结点中的运算
with tf.Session() as sess:
    init_op=tf.global_variables_initializer()
    sess.run(init_op)
    #开始训练
    for i in range(steps):
        start = (BATCH_SIZE*i)%len(X)
        end = start+BATCH_SIZE #因为切片范围不包括end，因此end不用-1
        print("开始第",i,"躺训练")
        sess.run(train_step,feed_dict={x:X[start:end],y_:Y[start:end]})
        total_loss = sess.run(loss,feed_dict={x:X,y_:Y})
        print('loss: ',total_loss)
    print("得到的权重为：\n")
    print(sess.run(w))
    print(sess.run(w1))