下面是利用模擬的資料集訓練神經網路，解決二分類問題：

#===========================================================================
#==============神經網路解決二分類問題========================================
#==========================================================================

import tensorflow as tf
from numpy.random import RandomState  #用於生成模擬資料集

#定義訓練資料batch的大小
batch_size = 8
#定義神經網路的引數
w1 = tf.Variable(tf.random_normal([2, 3], stddev = 1, seed = 1))
w2 = tf.Variable(tf.random_normal([3, 1], stddev = 1, seed = 1))
#定義佔位符
x = tf.placeholder(tf.float32, shape = (None, 2), name = 'x_input')
y_ = tf.placeholder(tf.float32, shape = (None, 1), name = 'y_input')
#定義神經網路前向傳播過程
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
#定義損失函式和反向傳播演算法
#tf.clip_by_value(A, min, max) A為張量，將A中的每一個元素壓縮到 min 與 max 之間
cross_entropy = -tf.reduce_mean(y_ * tf.log(tf.clip_by_value(y, 1e-10, 1.0)))
train_step = tf.train.AdamOptimizer(0.001).minimize(cross_entropy)

#通過隨機數生成一個模擬資料集
rdm = RandomState(1)  #區域性隨機種子，其中‘1’為種子，不同的種子產生的隨機數也不相同
dataset_size = 128
X = rdm.rand(dataset_size, 2)
#定義規定來給出樣本標籤
#所有x1+x2<1規定為正樣本；其他規定為負樣本；
#此處我們簡化為：0表示負樣本；1表示正樣本
Y = [[int(x1+x2 < 1)] for (x1, x2) in X]

#建立一個會話
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)  #啟動初始化
    print(sess.run(w1))  #列印訓練前引數
    print(sess.run(w2))  
    
    #設定訓練次數
    STEPS = 10000
    for i in range(STEPS):
        start = (i * batch_size) % dataset_size  #每次選取batch_size個樣本進行訓練
        end = min(start+batch_size, dataset_size) 
        #通過選取的樣本訓練神經網路並更新引數
        sess.run(train_step, feed_dict = {x: X[start:end], y_: Y[start:end]})
        
        if i%1000 == 0:
            #每隔一段時間計算所有資料上的交叉熵並輸出
            total_cross_entropy = sess.run(cross_entropy, feed_dict = {x: X, y_: Y})
            print('After %d training steps(s),  cross entropy on all data is %g' % (i, total_cross_entropy))
    #訓練完後列印網路引數       
    print(sess.run(w1))
    print(sess.run(w2))
#===========================================================================
 

通過結果可看出：隨著訓練的進行，交叉熵逐漸減小，說明預測的結果和真實值越接近。