搭建神经网络的四个步骤（背诵，可做模板）

随机产生32组生产出的零件的体积和重量，训练3000轮，当体积和重量的和小于1时为合格。x0和x1对应体积和重量。

#导入模块，生成数据集
import tensorflow as tf
import numpy as np
BATCH_SIZE=8
seed=23455
#基于seed产生随机数
rng=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=rng.rand(32,2)
#重点语句：从X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]

#定义神经网络的输入、参数和输出，定义前向传播的过程
x=tf.placeholder(tf.float32,shape=(None,2))
y_=tf.placeholder(tf.float32,shape=(None,1))

w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))#a是隐藏层，有3个神经元
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))

a=tf.matmul(x,w1)
y=tf.matmul(a,w2)

#定义损失函数，及反向传播方法
loss=tf.reduce_mean(tf.square(y-y_))
train_step=tf.train.GradientDescentOptimizer(0.001).minimize(loss)

#生成会话，训练steps轮
with tf.Session() as sess:
    init_op=tf.global_variables_initializer()
    sess.run(init_op)
    print(sess.run(w1))
    print(sess.run(w2))
    print("\n")
    
    STEPS=3000
    for i in range(STEPS):
        start=(i*BATCH_SIZE)%32
        end=start+BATCH_SIZE
        sess.run(train_step,feed_dict={x:X[start:end],y_:Y[start:end]})
        if i %500==0:
            total_loss=sess.run(loss,feed_dict={x:X,y_:Y})
        
    print(total_loss)
    print("\n")
    print(sess.run(w1))
    print(sess.run(w2))