1.# 为了使函数具有更好的泛化能力，定义一个load_data

# 用于从pickle文件将数据读取进来

def load_data(filename):

    '''read data from data file.'''

    with open(filename, 'rb') as f:

        data = cPickle.load(f, encoding='bytes')

        return data[b'data'], data[b'labels']

# 先搭建tensorflow计算图，再执行

x = tf.placeholder(tf.float32, [None, 3072])     # None表示可变性

# [None]

y = tf.placeholder(tf.int64, [None])     

# (3072, 1)

w = tf.get_variable('w', [x.get_shape()[-1], 1],   # 因为是二分类，所以只有一个输出结果，定义为1

                   initializer=tf.random_normal_initializer(0, 1))   #initializer表示初始化，这里使用正态分布,均值为0，方差为1

# (1, )

b = tf.get_variable('b', [1],

                   initializer=tf.constant_initializer(0.0))   # b使用常量初始化

# get_variable表示获取变量，如果已经定义好了就使用，如果没有就定义

# [None, 3072] * [3072, 1] = [None, 1]

y_ = tf.matmul(x, w) + b

# [None, 1]

p_y_1 = tf.nn.sigmoid(y_)   # 概率值

# 因为y维度不一样，所以需要进行一下reshape

# [None, 1]

y_reshaped = tf.reshape(y, (-1, 1))

y_reshaped_float = tf.cast(y_reshaped, tf.float32)

# 用平方差作为损失函数

loss = tf.reduce_mean(tf.square(y_reshaped_float - p_y_1))   #  类型不一致需要变换

predict = p_y_1 > 0.5    # true:1   false:0

# [1, 0, 1, 1, 0, 1,...]

correct_prediction = tf.equal(tf.cast(predict, tf.int64), y_reshaped)   # bool

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float64))

# 定义梯度下降的方法

with tf.name_scope('train_op'):

    train_op = tf.train.AdamOptimizer(1e-3).minimize(loss)    # 最小化loss，到这里，计算图构建完成

注意类型变换和loss梯度下降