# coding=utf-8
"""完整的神经网络解决二分类问题(加入偏置项和relu激活函数)"""
import tensorflow as tf
from numpy.random import RandomState
# 定义训练数据batch大小
batch_size = 8
# 定义神经网络的参数
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
biases1 = tf.Variable(tf.constant(0.1,shape=[3]))
biases2 = tf.Variable(tf.constant(0.1,shape=[1]))
# 在shape的一个维度上使用None可以方便使用不大的batch大小,在训练时需要把数据分
# 成比较小的batch,但是在测试时,可以一次性使用全部的数据。当数据集比较小时这样比较
# 方便测试,但数据集比价大时,将大量数据放入一个batch可能会导致内存溢出。
x = tf.placeholder(tf.float32, shape=(None, 2), name='x-input')
y_ = tf.placeholder(tf.float32, shape=(None, 1), name='y-input')
# 定义神经网络前向传播的过程
a = tf.nn.relu(tf.
"""完整的神经网络解决二分类问题(加入偏置项和relu激活函数)"""
import tensorflow as tf
from numpy.random import RandomState
# 定义训练数据batch大小
batch_size = 8
# 定义神经网络的参数
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
biases1 = tf.Variable(tf.constant(0.1,shape=[3]))
biases2 = tf.Variable(tf.constant(0.1,shape=[1]))
# 在shape的一个维度上使用None可以方便使用不大的batch大小,在训练时需要把数据分
# 成比较小的batch,但是在测试时,可以一次性使用全部的数据。当数据集比较小时这样比较
# 方便测试,但数据集比价大时,将大量数据放入一个batch可能会导致内存溢出。
x = tf.placeholder(tf.float32, shape=(None, 2), name='x-input')
y_ = tf.placeholder(tf.float32, shape=(None, 1), name='y-input')
# 定义神经网络前向传播的过程
a = tf.nn.relu(tf.