# 保存损失函数的值
train_loss_list = []
# 迭代items_num 10000次
for i in range(items_num):
    # 从数据中抽取出100个数据
    batch_mask = np.random.choice(train_size, batch_size)
    x_batch = x_train[batch_mask]
    # 对应的把这100个样本的监督标签页提取出来
    y_batch = y_train[batch_mask]
    # 利用模型计算梯度
    # 梯度计算方法速度非常非常的慢
#     grad = neural_networks.numerical_gradient(x_batch , y_batch)
    # 反向传播: 相当于一个快速梯度计算方法
    grad = neural_networks.gradient(x_batch,y_batch)
    # 有了梯度矩阵, 根据梯度对所有的参数进行更新
    for key in [\'W1\',\'W2\',\'b1\',\'b2\']:
        neural_networks.params[key] -= learning_rate * grad[key]
    # 记录当前损失函数的值
    loss = neural_networks.loss(x_batch ,y_batch)
   
    # 在迭代的过程中,观察损失函数的变化
    train_loss_list.append(loss)
    # 每迭代100次,我们打印一次损失函数
    if i % 100 == 0 :
        print(\"当前损失函数的值为:\",loss)