インポートAS tensorflowのTF インポートnumpyのNP AS インポートPLT AS matplotlib.pyplot "" " 1. 形状:。* 2行列の次元を3 =================== 2. [なし]を、 1]:N行1 =================== 3 numpy.random.normal(LOC = 0.0、スケール= 1.0、サイズ=なし) 正常 LOC :フロート 本の確率分布の平均値(全物流センターの中心に対応) スケール:浮遊 この確率の分布の標準偏差を(、分布の幅に対応するスケール分厚い大きい小規模、背の高い、薄い) サイズ:intまたはタプルのINTS 形状出力は、デフォルトで値のみ出力、Noneです "" " XDATA:[np.newaxis](200、-0.5、0.5)= np.linspaceは #は後ろ増加寸法 (ノイズ= np.random.normal 0、0.02、xdata.shape) #雑音が、一貫した寸法とXDATA確保する YDATA = np.square(XDATA)+ノイズ #Y = X ^ 2 +ノイズ #YDATA = np.exp(XDATA)+ノイズ #定義する2つのプレースホルダ X = tf.placeholderを(tf.float32、[なし1]) #のN行、 Y = tf.placeholder(tf.float32、[なし1]) #のサンプルに応じてN行、1、(X)が定義されている "" " 入力層:入力が1点であり、その後、あなたはニューロンライン必要Xは、 カスタム:中間層 、出力層:Yを、出力ニューロンと、ポイントの一つである 「」 " #は、ニューラルネットワークの中間層を定義します 重量 = tf.Variable(tf.random_normal([1、10])) #の入力層と中間層と、正規分布からのランダムな値の出力、(1つの入力)ライン10(中間層への入力を接続する重み)カラム、ライン上に置く重み バイアス= tf.Variable(tf.zeros([1、10])) #オフセット値を0に初期化され、中間層からの入力10個のニューロン = tf.matmul wx_plus_b_l1(X、重量)+バイアス #信号SUM * X +バイアス量 L1 = tf.nn.tanh(wx_plus_b_l1) #の活性化機能を、S字 #は出力層定義 "" " 出力:中間層の出力L1を入力層 "" " weight1の = tf.Variable(tf.random_normal([10 ,. 1])) #yに中間層(出力),. 1 - > 10 。biases1 = tf.Variable(tf.zeros([1 、1])) #オフセット値、1 - > 1 wx_plus_b_l2 = tf.matmul weight1の(L1)+ biases1 #出力層信号の和は = tf.nn.tanh(wx_plus_b_l2)予測 #の予測結果 #二次検討を機能の 損失= tf.reduce_mean - (tf.squareは(Y)は、予測) #の平均値の誤差 #勾配降下を = tf.train.GradientDescentOptimizerのtrain_step(0.1 ).minimize(損失) # SES AS tf.Session()を持つ: #は変数描く ses.runを(tf.global_variables_initializer()) のために _ でレンジ(5001 ): ses.run( train_step、feed_dict = {X:XDATA、Y:YDATA}) #トレーニングの勾配降下法を用いて、×:サンプル点 #は、予測値取得 predict_value = ses.run(予測、feed_dict = ){:XDATA、Y YDATA X} 位塗料 plt.figure() plt.scatter(XDATA、YDATA) plt.plot(XDATA、predict_value、' R- '、LW = 5) #赤実線、ライン幅=幅。5行 plt.show()