Tensorflow 张量流定义的精确小批量

我有一个数据库，在其中我用numpy剪切变量X和我的变量来猜测或“预测”：Y

我的问题是关于训练数据批的定义。的确

我的数据库中有一个名为“类”的列，通知这个或那个学生是这个或那个类的一部分

如果我想让tensorflow逐类进行预测，我必须将不同的值定义为“training mini batch”​​在本专栏中介绍

（例如：班级1、班级2、班级3）但这些班级的规模显然不一样：/那么，如何告诉他只取“班级”一栏中的一个值的行，并按班级进行切割，这样他最终可以接收整个班级的学生，他可以对班级的规模进行预测，例如（哪一个学生化学进步最快，哪一个有望成为文学的未来等等）

我希望，这些都是用我的近似英语清楚地表达出来的，如果你需要花时间来破译一些东西的话，谢谢你

如果澄清可以帮助您有效地回答我的问题，请不要犹豫

这是密码，我也告诉你我的准确度，那就是别动：（：

准确度：

[0.0000e+00 0.0000e+00 1.0000e+00 0.0000e+00 5.1000e+01 3.1000e+01
 0.0000e+00 1.8900e+02 2.2100e+02 2.1000e+03 7.4100e+01 7.0000e+00
 1.3470e+01 1.0000e+00 4.8000e+04 1.7024e+05 1.0000e+00 1.8000e+01]
[0.0000e+00 0.0000e+00 0.0000e+00 1.0000e+00 5.1000e+01 6.0000e+01
 0.0000e+00 1.6700e+02 6.8000e+01 2.1000e+03 7.3600e+01 7.0000e+00
 1.3470e+01 2.0000e+00 4.8000e+04 1.7436e+05 1.0000e+00 1.8000e+01]
Accuracy =  0.20898258478460127
Cost = 0.7910174152153987
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Cost = 0.7910174152153987
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Cost = 0.7910174152153987

---

非常感谢大家的关注！：）

欢迎来到stackoverflow。请一次只问一个问题。如果你的英语不太好也没关系，不需要道歉。你好，bienvenueáSO。老实说，我还没有完全理解你的问题。你能发布你试图解决问题的代码以及相关的错误消息或错误结果吗。我还可以请你把你的描述缩短一点。也许你可以把你的问题分成几个小问题？谢谢。你是对的。太长了，我可以把代码放在注释中吗？我的问题是，培训是在所有的行上进行的，没有区别。例如，他把学校里所有的学生都与培训进行比较，而他必须对课堂进行比较逐级筛选（学校班级，学生）。当然你可以把你的代码放在评论中。不过最好是直接把它放在你的文章中（使用下面的

编辑
）。谢谢。嗯，我试着把它缩短，我还有其他问题，但一次只有一个ehh:）我的代码在最后，可能缺少很多x）
[0.0000e+00 0.0000e+00 1.0000e+00 0.0000e+00 5.1000e+01 3.1000e+01
 0.0000e+00 1.8900e+02 2.2100e+02 2.1000e+03 7.4100e+01 7.0000e+00
 1.3470e+01 1.0000e+00 4.8000e+04 1.7024e+05 1.0000e+00 1.8000e+01]
[0.0000e+00 0.0000e+00 0.0000e+00 1.0000e+00 5.1000e+01 6.0000e+01
 0.0000e+00 1.6700e+02 6.8000e+01 2.1000e+03 7.3600e+01 7.0000e+00
 1.3470e+01 2.0000e+00 4.8000e+04 1.7436e+05 1.0000e+00 1.8000e+01]
Accuracy =  0.20898258478460127
Cost = 0.7910174152153987
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Cost = 0.7910174152153987
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Accuracy =  0.20898258478460127
Cost = 0.7910174152153987