測試兩個浮點型數據相加是否大於1
以下代碼只是使用了單層網絡進行計算，並未使用 偏移量；隨機梯度下降等更深層次的概念。

如果訓練集數據大小過大時，需要使用隨機梯度下降的方式來加快訓練時間。
學習率如果設置過小，會顯著增加訓練時間；如果過大，又會無法找到全局最優解。

#
"""
二分法測試
原始數據：隨機生成[2]數組
目標數據：數組[0]+[1]的結果如果大於等於1，則為1；否則為0。see:get_result
"""
import tensorflow as tf
from numpy import random

TRAIN_SIZE = 1000  # 訓練數據大小
VALIDATE_SZIE =
 
 200  # 驗證數據大小
TEST_SIZE = 2000  # 測試數據大小

def get_result(t):
    # 根據數據創建結果。數據和>=1，結果=1；否則=0
    return [[1] if (m[0] + m[1]) >= 1 else [0] for m in t]

SOURCE = random.rand(TRAIN_SIZE, 2)  # 訓練原始數據集

RESULT = get_result(SOURCE)  # 訓練結果數據集

V_X = random.rand(VALIDATE_SZIE, 2)  # 校驗原始數據集
V_Y = get_result(V_X)  # 校驗結果數據集
 


T_X = random.rand(TEST_SIZE, 2)  # 測試原始數據集
T_Y = get_result(T_X)  # 測試結果數據集

X = tf.placeholder(tf.float32, shape=[None, 2], name=‘input‘)  # 原始數據占位符
Y = tf.placeholder(tf.float32, shape=[None, 1], name=‘output‘)  # 輸出數據占位符，用來與計算輸出數據比較，得出損失值

HIDDEN_SIZE = 500  # 隱藏層數量

def init_weight(shape):
    return
 
 tf.Variable(tf.random_normal(shape, stddev=0.01))

W_1 = init_weight([2, HIDDEN_SIZE])  # 隱藏層1
W_OUTPUT = init_weight([HIDDEN_SIZE, 1])  # 輸出層

OUTPUT = tf.matmul(tf.nn.sigmoid(tf.matmul(X, W_1)), W_OUTPUT)  # 原始數據通過隱藏層計算結果

_loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=OUTPUT, labels=Y))  # 損失值

_train = tf.train.GradientDescentOptimizer(0.05).minimize(_loss)  # 計算方法

STEPS = 30001  # 訓練輪次

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())  # 首先初始化所有數據
    for i in range(STEPS):
    # 個人水平有限，這裏沒有采用批次的方式進行訓練
    sess.run(_train, feed_dict={X: SOURCE, Y: RESULT})

    if i % 1000 == 0:
        # 每1000輪時，使用校驗數據計算損失值
        _cost = sess.run(_loss, feed_dict={X: V_X, Y: V_Y})
        print("經過 {:>5d} 輪訓練，使用 校驗數據集 測試損失值為：{}。".format(i, _cost))

    if i % 5000 == 0:
        # 每5000輪，使用測試數據集直接判斷結果，輸出結果正確率
        _out = [[1] if m > 1 else [0] for m in sess.run(OUTPUT, feed_dict={X: T_X})]
        _s = len([1 for i in range(len(T_Y)) if T_Y[i] == _out[i]])
        print(‘經過 {:>5d} 輪訓練，使用 測試數據集進行測試，{}(正確數量)/{}(總數據量)={:.2%}‘.format(i, _s, len(T_Y), _s / len(T_Y)))

輸出內容如下：

經過     0 輪訓練，使用 校驗數據集 測試損失值為：0.6941196322441101。
經過     0 輪訓練，使用 測試數據集進行測試，987(正確數量)/2000(總數據量)=49.35%
經過  1000 輪訓練，使用 校驗數據集 測試損失值為：0.6805213689804077。
經過  2000 輪訓練，使用 校驗數據集 測試損失值為：0.538556694984436。
經過  3000 輪訓練，使用 校驗數據集 測試損失值為：0.2825967073440552。
經過  4000 輪訓練，使用 校驗數據集 測試損失值為：0.1842319369316101。
經過  5000 輪訓練，使用 校驗數據集 測試損失值為：0.14281019568443298。
經過  5000 輪訓練，使用 測試數據集進行測試，1808(正確數量)/2000(總數據量)=90.40%
經過  6000 輪訓練，使用 校驗數據集 測試損失值為：0.12008533626794815。
經過  7000 輪訓練，使用 校驗數據集 測試損失值為：0.10553856194019318。
經過  8000 輪訓練，使用 校驗數據集 測試損失值為：0.0953076109290123。
經過  9000 輪訓練，使用 校驗數據集 測試損失值為：0.08765047043561935。
經過 10000 輪訓練，使用 校驗數據集 測試損失值為：0.08166348189115524。
經過 10000 輪訓練，使用 測試數據集進行測試，1905(正確數量)/2000(總數據量)=95.25%
經過 11000 輪訓練，使用 校驗數據集 測試損失值為：0.07682867348194122。
經過 12000 輪訓練，使用 校驗數據集 測試損失值為：0.07282623648643494。
經過 13000 輪訓練，使用 校驗數據集 測試損失值為：0.06944723427295685。
經過 14000 輪訓練，使用 校驗數據集 測試損失值為：0.06654875725507736。
經過 15000 輪訓練，使用 校驗數據集 測試損失值為：0.0640294998884201。
經過 15000 輪訓練，使用 測試數據集進行測試，1928(正確數量)/2000(總數據量)=96.40%
經過 16000 輪訓練，使用 校驗數據集 測試損失值為：0.06181534752249718。
經過 17000 輪訓練，使用 校驗數據集 測試損失值為：0.05985085666179657。
經過 18000 輪訓練，使用 校驗數據集 測試損失值為：0.058093465864658356。
經過 19000 輪訓練，使用 校驗數據集 測試損失值為：0.05651006102561951。
經過 20000 輪訓練，使用 校驗數據集 測試損失值為：0.055074337869882584。
經過 20000 輪訓練，使用 測試數據集進行測試，1936(正確數量)/2000(總數據量)=96.80%
經過 21000 輪訓練，使用 校驗數據集 測試損失值為：0.053765200078487396。
經過 22000 輪訓練，使用 校驗數據集 測試損失值為：0.05256548896431923。
經過 23000 輪訓練，使用 校驗數據集 測試損失值為：0.05146101117134094。
經過 24000 輪訓練，使用 校驗數據集 測試損失值為：0.05044003576040268。
經過 25000 輪訓練，使用 校驗數據集 測試損失值為：0.0494927316904068。
經過 25000 輪訓練，使用 測試數據集進行測試，1949(正確數量)/2000(總數據量)=97.45%
經過 26000 輪訓練，使用 校驗數據集 測試損失值為：0.048610806465148926。
經過 27000 輪訓練，使用 校驗數據集 測試損失值為：0.047787100076675415。
經過 28000 輪訓練，使用 校驗數據集 測試損失值為：0.047015562653541565。
經過 29000 輪訓練，使用 校驗數據集 測試損失值為：0.04629102721810341。
經過 30000 輪訓練，使用 校驗數據集 測試損失值為：0.04560888186097145。
經過 30000 輪訓練，使用 測試數據集進行測試，1952(正確數量)/2000(總數據量)=97.60%

Tensorflow 二分法測試