Python implementa una red neuronal artificial para acercarse al precio de las acciones El código 4 implementa el análisis de código clave

# 误差用loss表示 实际是一个标准差
loss = tf.reduce_mean(tf.square(y-layer2))  # y是真实的值 layer2是计算的值, 两者差值开方，再求其均值

# 每次调整的步长 梯度下降0.1 来调整权重和偏移查，目的是缩小loss减小真实值与误差值的差异
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())  # 初始化
    for i in range(0, 10000):  # 训练次数为10000
        #追根溯源需要传入两个参数 x 和 y         
        sess.run(train_step, feed_dict={x: dateNormal, y: priceNormal})
    
    # 通过上面的循环，我们已经训练成一组优化的w1 w2，那我们我们用下面的方法来检测下w1 w2的准确性          
    # w1w2 b1b2  A + wb -->layer2
    
    pred = sess.run(layer2, feed_dict={x: dateNormal})
    
    predPrice = np.zeros([15, 1])  # 预测结果
    
    for i in range(0, 15):  # 还原数据需要*3000
        predPrice[i, 0] = (pred*3000)[i, 0]
    plt.plot(date, predPrice, 'b', lw=1)
plt.show()