Python 如何实施剩余的'；对于循环'；在张量流中的神经网络

我正试图让神经网络在TensforFlow中运行。数据集只是花瓣的长度和宽度，根据类型，输出可以是1/0：

x = [[3,1.5],
     [2,1],
     [4,1.5],
     [3,1],
     [3.5,0.5],
     [2,0.5],
     [5.5,1],
     [1,1]]

y = [1,
     0,
     1,
     0,
     1,
     0,
     1,
     0]

到目前为止，我的代码如下所示：

定义变量

x_1 = tf.placeholder(tf.float32, shape=[8,2])
y_1 = tf.placeholder(tf.float32, shape=[8])

w_1 = tf.placeholder(tf.float32, shape=[2,8])
b_1 = tf.placeholder(tf.float32, shape=[8,])

sess = tf.Session()

sess.run(tf.global_variables_initializer())

y_ = tf.matmul(x_1,w_1) + b

sigmoid = tf.nn.sigmoid(y_)

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(sigmoid)

for _ in range(50000):

---

我的问题是如何安排“for”循环，以便它一次获取整个数据集并将其与实际输出进行比较？tensorflow上的mnist数据集使用softmax交叉熵，因此可以在函数的参数中指定实际输出和预测输出。然而，在这个简单的数据集中，我如何在剩余的for循环中复制相同的数据，以便代码获取所有数据并进行预测，并将其与实际输出进行比较？另外，请说明我的变量的形状是否有任何问题，谢谢

你知道，你可以用tflearn。节省大量时间和挫折=）

---

设法解决我正在寻找的问题：

import tensorflow as tf
import numpy as np

train_X = np.asarray([[3,1.5],[2,1],[4,1.5],[3,1],[3.5,0.5],[2,0.5],[5.5,1],[1,1]])
train_Y = np.asarray([[1],[0],[1],[0],[1],[0],[1],[0]])

x = tf.placeholder("float",[None, 2])
y = tf.placeholder("float",[None, 1])

W = tf.Variable(tf.zeros([2, 1]))
b = tf.Variable(tf.zeros([1, 1]))

activation = tf.nn.sigmoid(tf.matmul(x, W)+b)
cost = tf.reduce_mean(tf.square(activation - y))
optimizer = tf.train.GradientDescentOptimizer(.2).minimize(cost)

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for i in range(50000):
        train_data = sess.run(optimizer, feed_dict={x: train_X, y: train_Y})

    result = sess.run(activation, feed_dict={x:train_X})
    print(result)

---

到目前为止，您正在尝试最小化神经网络的输出。如果你想让你的输出与y相匹配（也就是基本事实）作为第一步，您可能应该尝试最小化表示输出和y之间差异的成本。此外，如果您想最小化某些内容，则不应使用占位符，而应使用变量。长话短说，您最好仔细阅读一步一步的教程。您是否建议您在不使用mnist数据集对于开始使用低级API来说非常好，它使用iris数据集（这与您似乎正在使用的数据集相同）。我认为这里的重点是了解引擎盖下发生的事情，并学习如何使用Tensorflow低级API。

import tensorflow as tf
import numpy as np

train_X = np.asarray([[3,1.5],[2,1],[4,1.5],[3,1],[3.5,0.5],[2,0.5],[5.5,1],[1,1]])
train_Y = np.asarray([[1],[0],[1],[0],[1],[0],[1],[0]])

x = tf.placeholder("float",[None, 2])
y = tf.placeholder("float",[None, 1])

W = tf.Variable(tf.zeros([2, 1]))
b = tf.Variable(tf.zeros([1, 1]))

activation = tf.nn.sigmoid(tf.matmul(x, W)+b)
cost = tf.reduce_mean(tf.square(activation - y))
optimizer = tf.train.GradientDescentOptimizer(.2).minimize(cost)

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for i in range(50000):
        train_data = sess.run(optimizer, feed_dict={x: train_X, y: train_Y})

    result = sess.run(activation, feed_dict={x:train_X})
    print(result)