TensorFlow神经网络的训练过程

batch_size = n  # 首先选取一小部分数据作为batch，此处定义batch的大小为n；

# 每次读取一小部分数据作为当前的训练数据来执行反向传播算法。

x = tf.placeholder(tf.float32, shape=(batch_size, 2), name='x-input')

y_ = tf.placeholder(tf.float32, shape=(batch_size, 1), name='y-input')

# 定义神经网络结构和优化算法。

loss = ……

train_step = tf.train.AdamOptimizer(0.001).minimize(loss)

训练神经网络。

with tf.Session() as sess:

      # 参数初始化。

      ……

      #迭代的更新参数。

      for i in range(STEPS):

             # 准备batch_size个训练数据。一般将所有训练数据随机打乱后再选取可以得到更好的优化效果。

            current_X, current_Y = ……

            sess.run(train_step, feed_dict={x: current_X, y_: current_Y})