使用神经网络进行样本训练，要实现随机梯度下降算法。这里我根据麦子学院彭亮老师的讲解，总结如下，（神经网络的结构在另一篇博客中已经定义）：
def SGD(self, training_data, epochs, mini_batch_size, eta, test_data=None):
if test_data:
n_test = len(test_data)#有多少个测试集
n = len(training_data)
for j in xrange(epoch
自适应线性神经网络Adaptive linear network， 是神经网络的入门级别网络。
相对于感知器，采用了f（z）=z的激活函数，属于连续函数。
代价函数为LMS函数，最小均方算法，Least mean square。
实现上，采用随机梯度下降，由于更新的随机性，运行多次结果是不同的。
'''
Adaline classifier
created on 2019.9.14
author: vince
'''
import pandas
import math
import num
本篇文章主要通过一个简单的例子来实现神经网络。训练数据是随机产生的模拟数据集，解决二分类问题。
下面我们首先说一下，训练神经网络的一般过程：
1.定义神经网络的结构和前向传播的输出结果
2.定义损失函数以及反向传播优化的算法
3.生成会话(Session)并且在训练数据上反复运行反向传播优化算法
要记住的一点是，无论神经网络的结构如何变化，以上三个步骤是不会改变的。
完整代码如下：
import tensorflow as tf
#导入TensorFlow工具包并简称为tf
from num
