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（）
