使用两种损失函数sigmoid, softmax定义输出随机给定手写数据样本minist （测试集上）的误差损失对比情况PYTHON代码

我理解了你的要求，并且听明白了你的问题。使用sigmoid和softmax定义输出的随机手写数据样本minist（测试集上）的误差损失函数的代码如下所示：

import numpy as np
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

# 定义变量
x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])

# 定义参数
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

# 构建模型
pred = tf.nn.sigmoid(tf.matmul(x, W) + b)

# 定义损失函数
loss_sigmoid = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=pred, labels=y))
loss_softmax = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y))

# 定义优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss_sigmoid)

# 初始化变量
init = tf.global_variables_initializer()

with tf.Session() as sess:
  sess.run(init)
  
  # 训练模型
  for epoch in range(25):
    avg_cost = 0.
    total_batch = int(mnist.train.num_examples / 100)
    for i in range(total_batch):
      batch_xs, batch_ys = mnist.train.next_batch(100)
      
      # 运行优化器并计算损失函数的值
      _, c = sess.run([optimizer, loss_sigmoid], feed_dict={x: batch_xs, y: batch_ys})
      avg_cost += c / total_batch
    print('Epoch:', '%04d' % (epoch+1), 'cost=', '{:.9f}'.format(avg_cost))
  print('Training completed!')
  
  # 测试模型
  correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
  accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
  print('Accuracy:', accuracy.eval({x: mnist.test.images, y: mnist.test.labels}))

这段代码对手写数字数据集进行了训练，将损失函数设置为sigmoid和softmax损失函数，然后使用梯度下降优化器来最小化损失函数。在训练后，我们计算了测试集的准确度（accuracy）来评估模型的性能。

希望我的回答能够帮助你解决问题。如果你还有什么问题，请随时问我。