神经网络有三层，输入层A，隐藏层B，输出层C，满足：
A（10x1）*W1（1x10）+b1（1x10）=B（10x10）
B（10x10）*W2（10x1）+b2（10x1）=C（10x1）
我们需要做的，便是通过多次训练（尝试不同 w、b 的值），找到合适的 w1w2、b1b2，使预测结果更接近真实结果。
代码：
import tensorflow.compat.v1 as tf import numpy as np import matplotlib.pyplot as plt # 兼容 tensorflow 1.0
tf.disable_eager_execution() # 日期，0-9
date = np.linspace(0, 9, 10) # 收盘价格
endPrice = np.array([2511.90, 2538.26, 2510.68, 2591.66, 2732.98, 2701.69, 2701.29, 2678.67, 2726.50, 2681.50]) # 开盘价格
beginPrice = np.array([2438.71, 2739.17, 2715.07, 2823.58, 2864.90, 2919.08, 2500.88, 2534.95, 2512.52, 2594.04]) # 绘制涨幅趋势 # 价格上涨，红色 # 价格下跌，绿色
plt.figure() for i in range(10): temData = np.zeros([2]) temData[0] = i temData[1] = i temPrice = np.zeros([2]) temPrice[0] = beginPrice[i] temPrice[1] = endPrice[i] if beginPrice[i] > endPrice[i]: plt.plot(temData, temPrice, "green", lw="2") else: plt.plot(temData, temPrice, "red", lw="2") # 神经网络有三层，输入层A，隐藏层B，输出层C # A（10x1）*W1（1x10）+b1（1x10）=B（10x10） # B（10x10）*W2（10x1）+b2（10x1）=C（10x1）
# 输入层 # 归一化处理，减小计算量
dateNormal = np.zeros([10, 1]) priceNormal = np.zeros(([10, 1])) for i in range(10): dateNormal[i] = i / 9.0 priceNormal[i] = endPrice[i]/3000.0
# 声明输入输出参数，xy
x = tf.placeholder(tf.float32, [None, 1]) y = tf.placeholder(tf.float32, [None, 1]) # 隐藏层
w1 = tf.Variable(tf.random_uniform([1, 10], 0, 1)) b1 = tf.Variable(tf.zeros([1, 10])) wb1 = tf.matmul(x, w1) + b1 # 激励函数
layer1 = tf.nn.relu(wb1) # 输出层
w2 = tf.Variable(tf.random_uniform([10, 1], 0, 1)) b2 = tf.Variable(tf.zeros([10, 1])) wb2 = tf.matmul(layer1, w2) + b2 # 激励函数
layer2 = tf.nn.relu(wb2) # 预测值与实际值的标准差
loss = tf.reduce_mean(tf.square(y - layer2)) # 使用梯度下降法，减小差异
tran_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) # 变量初始化
init = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init) # 训练10000次
for i in range(10000): sess.run(tran_step, feed_dict={x: dateNormal, y: priceNormal}) # 查看拟合结果
pre = sess.run(layer2, feed_dict={x: dateNormal}) prePrice = np.zeros([10, 1]) # 反归一化
for i in range(10): prePrice[i, 0] = (pre * 3000)[i, 0] # 绘制折线
plt.plot(date, prePrice, "blue", lw=2) plt.show()
运行效果：
