x_data = [1.0、2.0、3.0]
y_data = [2.0、4.0、6.0]
= 1.0＃任意のランダムな値のw
＃我々のモデルは、往路
前方デフ（X）：
リターンのx *ワット
＃損失関数
損失DEF（X、Y）：
y_pred =前方（X）
リターン（y_pred - Y）*（y_pred - Y）
＃計算勾配
DEF勾配（X、Y）：＃d_loss / d_w
戻り2 * X *（X * W - Y）
トレーニングの前に＃
（フォワード"）トレーニングの前に（予測"、4、（4））の印刷
＃トレーニングループ
範囲のエポックのために（10）：
ZIPでy_val x_val、（x_data、y_data）用：
グラ=勾配（x_val、y_val）
W = W - 0.01 *グラ
プリント（ "\ tgrad："、x_val、y_val、卒業生）
L =損失（x_val、y_val）
印刷（ "進行："、エポック、L）
＃トレーニング後
プリント（前方、4、 "（）研修後の予測"（4））
=========================================
計算
4 4.0（トレーニング前に）予測
グラ：1.0 2.0 -2.0
グラ：2.0 4.0 -7.84
グラ：3.0 6.0 -16.2288
進捗：0 4.919240100095999
グラ：1.0 2.0 -1.478624
グラ：2.0 4.0 -5.796206079999999
グラ：3.0 6.0 -11.998146585599997
進展：1 2.688769240265834
グラ：1.0 2.0 -1.093164466688
グラ：2.0 4.0 -4.285204709416961
グラ：3.0 6.0 -8.87037374849311
進行：2 1.4696334962911515
グラ：1.0 2.0 -0.8081896081960389
グラ：2.0 4.0 -3.1681032641284723
グラ：3.0 6.0 -6.557973756745939
進捗：3 0.8032755585999681
グラ：1.0 2.0 - 0.59750427561463
大学院：2.0 4.0 -2.3422167604093502
大学院：3.0 6.0 -4.848388694047353
進行：4 0.43905614881022015
グラ：1.0 2.0 -0.44174208101320334
グラ：2.0 4.0 -1.7316289575717576
グラ：3.0 6.0 -3.584471942173538
進捗：5 0.2399802903801062
グラ：1.0 2.0 -0.3265852213980338
グラ：2.0 4.0 -1.2802140678802925
グラ：3.0 6.0 -2.650043120512205
進行：6 0.1311689630744999
グラ。 -0.241448373202223 2.0 1.0
グラ：2.0 4.0 -0.946477622952715
グラ：3.0 6.0 -1.9592086795121197
進捗：7 0.07169462478267678
グラ：1.0 2.0 -0.17850567968888198
グラ：2.0 4.0 -0.6997422643804168
グラ：3.0 6.0 -1.4484664872674653
進行：8 0.03918700813247573
グラ：1.0〜2.0 -0.13197139106214673
グラ：2.0 4.0 -0.5173278529636143
グラ：3.0 6.0 -1.0708686556346834
進捗：9 0.021418922423117836は
（訓練後）を予測4 7.804863933862125