The Hello World of Deep Learning with Neural Networks
编写这样一个函数的代码：
float hw_function(float x){
float y = (2 * x) - 1;
return y;
}
Imports
导入 TensorFlow 并将其称为 tf，以方便使用。
导入一个名为 numpy 的库，它可以帮助我们轻松快速地将数据表示为列表。
导入kears（将神经网络定义为一组序列层的框架叫做 keras
import tensorflow as tf
import numpy as np
from tensorflow import keras
Define and Compile the Neural Network
创建最简单的神经网络。它有 1 层，该层有 1 个神经元，其输入形状只是 1 个值。
model = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])
接下来编译神经网络。编译时，我们必须指定两个函数，一个是损失函数LOSS，另一个是优化器函数OPTIMIZER。
LOSS 函数会将猜测的答案与已知的正确答案进行对比，并衡量其结果的好坏。
然后，它会使用 OPTIMIZER 函数再做一次猜测。根据损失函数的结果，它将尝试使损失最小化。这时，它可能会得出 y=5x+5 这样的结果，虽然仍然很糟糕，但更接近正确结果（即损失更小）。
它会在许多EPOCHS里重复这样的计算 。但首先，我们要告诉它如何使用 "平均平方误差（MEAN SQUARED ERROR） "来计算损失函数loss，以及如何使用 "随机梯度下降（STOCHASTIC GRADIENT DESCENT） "来计算优化器。
model.compile(optimizer='sgd', loss='mean_squared_error')
- Learning Networks Neural Hello Worldlearning networks neural hello pre-train learning networks neural sequence learning networks neural networks learning neural comp graph condensation networks neural understanding plasticity networks neural networks neural bigdataaiml-ibm-a introduction decoupling networks neural depth convolutional networks neural cnn powerful networks spectral neural