import tensorflow as tf  import numpy as np  import csv    np.set_printoptions(threshold=200)     class Dataset:      def __init__(self,data,label):              self._index_in_epoch = 0          self._epochs_completed = 0          self._data = data          self._label = label          self._num_examples = data.shape[0]          pass      @property      def data(self):          return self._data        @property      def label(self):          return self._label        def next_batch(self,batch_size,shuffle = True):          start = self._index_in_epoch          if start == 0 and self._epochs_completed == 0:              idx = np.arange(0, self._num_examples)  # get all possible indexes              np.random.shuffle(idx)  # shuffle indexe              self._data = self.data[idx]  # get list of `num` random samples              self._label = self.label[idx]            # go to the next batch          if start + batch_size > self._num_examples:              self._epochs_completed += 1              rest_num_examples = self._num_examples - start              data_rest_part = self.data[start:self._num_examples]              label_rest_part = self.label[start:self._num_examples]                idx0 = np.arange(0, self._num_examples)  # get all possible indexes              np.random.shuffle(idx0)  # shuffle indexes              self._data = self.data[idx0]  # get list of `num` random samples              self._label = self.label[idx0]  # get list of `num` random samples                start = 0              self._index_in_epoch = batch_size - rest_num_examples #avoid the case where the #sample != integar times of batch_size              end =  self._index_in_epoch                data_new_part =  self._data[start:end]                label_new_part =  self._label[start:end]                return np.concatenate((data_rest_part, data_new_part), axis=0), np.concatenate((label_rest_part, label_new_part), axis=0)          else:              self._index_in_epoch += batch_size              end = self._index_in_epoch              return self._data[start:end], self._label[start:end]                  birth_data = []  with open("mdata.csv") as csvfile:      csv_reader = csv.reader(csvfile)  # 使用csv.reader读取csvfile中的文件  #     birth_header = next(csv_reader)  # 读取第一行每一列的标题      for row in csv_reader:  # 将csv 文件中的数据保存到birth_data中          birth_data.append(row)      birth_data = [[float(x) for x in row] for row in birth_data]  # 将数据从string形式转换为float形式      birth_data = np.array(birth_data)  # 将list数组转化成array数组便于查看数据结构  print(birth_data.shape)  # 利用.shape查看结构。    data = [[row[0], row[1]] for row in birth_data]  label = [[row[2], row[3]] for row in birth_data]  #label = [[row[3]] for row in birth_data]  data  = np.array(data)  label = np.array(label)  print(data.shape)  print(label.shape)    t_data = Dataset(data, label)    tf.reset_default_graph()  def weight_variable(shape, num):      w = tf.get_variable(name="weight_%d" % num, initializer=tf.random_normal_initializer(stddev=1.0, dtype=tf.float32),                         shape=shape)      return w  def bias_variable(shape, num):      b = tf.get_variable(name="bias_%d" % num, initializer=tf.random_normal_initializer(stddev=1.0, dtype=tf.float32),                         shape=shape)      return b        x = tf.placeholder(dtype=np.float32, shape=(None, 2), name="input_x")  y_ = tf.placeholder(dtype=np.float32, shape=(None, 2), name="input_y")  keep_prob = tf.placeholder(tf.float32, name="input_keep_prob")    w1 = weight_variable([2, 10], 1)  b1 = bias_variable([10], 1)  w2 = weight_variable([10, 5], 2)  b2 = bias_variable([5], 2)  w3 = weight_variable([5, 2], 3)  b3 = bias_variable([2], 3)    graph = tf.get_default_graph()  layer1 = tf.nn.sigmoid(tf.add(tf.matmul(x, w1), b1))  layer2 = tf.nn.sigmoid(tf.add(tf.matmul(layer1, w2), b2))  y = tf.add(tf.matmul(layer2, w3), b3)    loss = tf.nn.l2_loss(y-y_)#损失函数不知道用哪个  #loss = tf.losses.mean_squared_error(y， y_)   train_op = tf.train.GradientDescentOptimizer(learning_rate=0.00000001).minimize(loss)#学习率也没选    y_abs = tf.abs(y-y_)  less_equal=tf.less_equal(y_abs, 0.01)    one = tf.ones_like(less_equal)  zero = tf.zeros_like(less_equal)    output = tf.where(less_equal, one, zero)  acc = tf.reduce_mean(tf.cast(output, tf.float32)) #判断准确率这部分也有问题      with tf.Session() as sess:      tf.global_variables_initializer().run()      epoches = 100      batch_size = 500000            for epoch in range(epoches):          for i in range(0, 7000000-batch_size, batch_size):              x_batch, y_batch = t_data.next_batch(batch_size)              _, accurcy = sess.run([train_op, acc], feed_dict={x:x_batch, y_:y_batch, keep_prob:1})              if 0 == i%5:                  print("acc={0}".format(accurcy))            x_t, y_t = t_data.next_batch(50)      print("test_acc={0}".format(acc.eval(feed_dict={x:x_t, y_:y_t, keep_prob:1})))      print(x_t)      print(y.eval(feed_dict={x:x_t, y_:y_t, keep_prob:1}))