#coding:utf-8
#tensorflow學習筆記(北京大學) tf4_1.py 完全解析 
#QQ群：476842922（歡迎加群討論學習）
#預測多或預測少的影響一樣
#0匯入模組，生成資料集
import tensorflow as tf
import numpy as np
BATCH_SIZE = 8
SEED = 23455

rdm = np.random.RandomState(SEED)#基於seed產生隨機數
X = rdm.rand(32,2)#隨機數返回300行2列的矩陣，表示300組座標點
Y_ = [[x1+x2+(rdm.rand()/10.0-0.05)] for
 
 (x1, x2) in X]#判斷如果兩個座標的平方和小於2，給Y賦值1，其餘賦值0

#1定義神經網路的輸入、引數和輸出，定義前向傳播過程。
x = tf.placeholder(tf.float32, shape=(None, 2))#佔位
y_ = tf.placeholder(tf.float32, shape=(None, 1))#佔位
w1= tf.Variable(tf.random_normal([2, 1], stddev=1, seed=1))#正態分佈
y = tf.matmul(x, w1)#點積

#2定義損失函式及反向傳播方法。
#定義損失函式為MSE,反向傳播方法為梯度下降。
 

loss_mse = tf.reduce_mean(tf.square(y_ - y))
train_step = tf.train.GradientDescentOptimizer(0.001).minimize(loss_mse)

#3生成會話，訓練STEPS輪
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()#初始化
    sess.run(init_op)#初始化
    STEPS = 20000#20000輪
    for i in range(STEPS):
        start = (i*
 
BATCH_SIZE) % 32
        end = (i*BATCH_SIZE) % 32 + BATCH_SIZE
        sess.run(train_step, feed_dict={x: X[start:end], y_: Y_[start:end]})
        if i % 500 == 0:
            print ("After %d training steps, w1 is: " % (i))
            print (sess.run(w1), "\n")
    print ("Final w1 is: \n", sess.run(w1))
#在本程式碼#2中嘗試其他反向傳播方法，看對收斂速度的影響，把體會寫到筆記中