インポートAS tensorflowのTF
インポートNPのAS numpyの
＃##定義されたニューラルネットワーク層の機能は、### START追加
DEFの add_layerを（入力、IN_SIZE、OUT_SIZE、activation_function = なし）：
"" " 説明：機能ニューラルネットワークレイヤを追加します。
：のparam入力：求心性神経層
：PARAMのIN_SIZE：神経の入力層のニューロンの数
：PARAM OUT_SIZE：出力層の神経におけるニューロンの数
：PARAM activation_function：活性化関数
「」「
＃はIN_SIZE行定義」、OUT_SIZE列「確率変数行列
=重みtf.Variable（tf.random_normal（[IN_SIZE、OUT_SIZE]））
＃が"行1、OUT_SIZE列" 0基準変数値行列の定義
バイアス= tf.Variable（tf.zeros（[1 、OUT_SIZE]）+を0.1 ）
＃は、行列乗算関数式を定義します
= Tf.matmul Wx_plus_b（入力、重み）+ バイアスの
＃励起関数か否かを判断する
IF activation_functionはしないなし：
出力 = Wx_plus_b
他：
出力 = activation_function（Wx_plus_b）が
返す出力
位##定義されたニューラルネットワーク層###の機能ENDの追加
位##スタート###の可変構造を定義
＃は開始入力を定義する：300行指定-1 1に等間隔の300の配列を返し、その後、マトリクスの300行のアレイに変換
＃ 例えば：
＃ X1 = np.array（[1、2 ,. 3 ,. 4 ,. 5。]）
＃ ＃X1の形状は、IS（5）
＃ x1_new = X1の[：、np.newaxis]
＃ 今＃、x1_newの形状が（5 ,. 1）
＃1 アレイ（[1]、
＃ [2]、
＃1 [3]、
＃ [4]、
＃1 [5]）
＃ x1_new = X1 [np.newaxis 、：】
＃1 ＃は現在、x1_newの形状は（1 ,. 5）
＃1 アレイ（[[1、2 ,. 3 ,. 4 ,. 5。]]）
x_data = np.linspace（-1,1,300 ）：、NP。 newaxis]
＃はノイズを定義する：確率密度関数のガウス分布を用いてガウス乱数0.05、0の平均および標準偏差が定義され、数がx_data行列要素の数であり、
ノイズnp.random.normal =（0、0.05 、x_data。形状）
＃は、起動出力を定義：x_data二乗マイナス0.5、プラス雑音
y_data = np.square（x_data）-0.5+ ノイズ
＃は、実行時パラメータ変数を定義します
tf.placeholder = XS（tf.float32、[なし,. 1 ]）
YS = tf.placeholder（tf.float32、[なし,. 1 ]）
＃##ニューラルネットワーク###のSTART定義
＃は隠れ層ニューラルネットワークの層を定義しますLayer01
Layer01 add_layer =（XS、1,10、activation_function = tf.nn.relu）
＃隠れ層ニューラルネットワーク層を定義Layer02
Layer02 = add_layer（layer01,10,10、activation_function = tf.nn.sigmoid）
＃出力層予測を定義します予測
予測= add_layer（layer02,10,1、activation_function = なし）
＃算出損失
＃1予測出力と開始正方形の出力の偏差を算出
loss_square = tf.square（y_data - 予測）
＃シートの計算量2.各次元の要素の和。
= tf.reduce_sum reduce_sum_square（loss_square、reduction_indices = [1 ]）
＃3計算値損失：各次元の要素テンソルの平均値
損失= tf.reduce_mean（reduce_sum_square）
＃全ての試料について勾配降下学習アルゴリズムを使用して
train_step = TF .train.GradientDescentOptimizer（0.1 ）.minimize（損失）
＃変数の初期化を定義
INIT = tf.initialize_all_variables（）
＃作成セッション
のSES = tf.Session（）
＃初期化変数ポインタ実行
sess.run（INIT）を
＃1 ##は、ニューラルネットワークを定義されています###構造のEND
＃## ###定義された変数構造END
用 I におけるレンジ（2000 ）：
sess.run（train_step、feed_dict = {XS：x_data、YS：y_data}）
もし私％50 == 0：
プリント（sess.run（損失、feed_dict = {XS：x_data、YS：y_data}））