Tensorflow 框架搭建神经网络（五）_tensorflow神经网络框架五步骤-优快云博客

本文链接：https://blog.youkuaiyun.com/u012369559/article/details/79993070

本文详细介绍了使用Tensorflow框架搭建神经网络的过程，包括数据集的生成、模型的构建和训练。通过3000轮的训练，每500轮输出loss值，最终得出训练好的参数w1和w2，完成了神经网络的搭建。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

# Copyright (c)2018, 东北大学软件学院学生
# All rightsreserved
# 文件名称：test.py
# 作   者：孔云
#问题描述：搭建网络实现。反向传播：训练模型参数，在所有参数上用梯度下降，使 NN 模型在训练数据上的损失函数最小。
#损失函数（loss）： 计算得到的预测值 y 与已知答案 y_的差距。
#损失函数的计算有很多方法，均方误差 MSE 是比较常用的方法之一。
#均方误差 MSE： 求前向传播计算结果与已知答案之差的平方再求平均。 
# coding:utf-8
# 0导入模块，生成模拟数据集。
import tensorflow as tf
import numpy as np
BATCH_SIZE = 8
SEED = 23455
# 基于seed产生随机数
rdm = np.random.RandomState(SEED)
# 随机数返回32行2列的矩阵 表示32组 体积和重量 作为输入数据集
X = rdm.rand(32, 2)
# 从X这个32行2列的矩阵中 取出一行 判断如果和小于1 给Y赋值1 如果和不小于1 给Y赋值0
# 作为输入数据集的标签（正确答案）
Y_ = [[int(x0 + x1 < 1)] for (x0, x1) in X]
print("X:\n", X)
print ("Y_:\n", Y_)
# 1定义神经网络的输入、参数和输出,定义前向传播过程。
x = tf.placeholder(tf.float32, shape=(None, 2))
y_ = tf.placeholder(tf.float32, shape=(None, 1))
w1 = tf.V