单层的神经网络使用自定义的损失函数

代码是按照书上搬下来的，觉得书上的例子还是蛮不错的

import tensorflow as tf
from numpy.random import RandomState

batch_size=8
#首先定义输入和输出，分别是两个placeholder格式的占位符
x=tf.placeholder(tf.float32,shape=(None,2),name='x_input')
y_=tf.placeholder(tf.float32,shape=(None,1),name='y_input')

#定义神经网络的权重,并计算神经网络预测出来的结果值，但需要注意的是向量相乘时候的顺序
w1=tf.Variable(tf.random_normal([2,1],stddev=1.0,dtype=tf.float32,seed=1))
y=tf.matmul(x,w1)
#这个例子中的损失函数是我们自己定义的损失函数
loss_less=10
loss_more=1
loss=tf.reduce_sum(tf.where(tf.greater(y,y_),
                            (y-y_)*loss_more,
                            (y_-y)*loss_less))

train_step=tf.train.AdadeltaOptimizer(0.001).minimize(loss)

#通过随机数生成一个模拟的输入数据集,生成的都是1内的随机数,会随机的生成128个2维的tensor
ram=RandomState(1)
dataset_size=128
X=ram.rand(dataset_size,2)
Y=[[x1+x2+ram.rand()/10.0-0.05] for (x1,x2) in X]

with tf.Session() as sess:
    init_op=tf.global_variables_initializer()
    sess.run(init_op)
    print(sess.run(w1))
    print('----------line------------')
    STEPS=5000
    for i in range(STEPS):
        start=(i+batch_size)%dataset_size
        end=min(start+batch_size,dataset_size)
        sess.run(train_step,feed_dict={x:X[start:end],y_:Y[start:end]})
        if(i%500==0):
            print(sess.run(w1))