本案例為迴歸問題，採用了一層隱層，隱層和輸出層的啟用函式都為 relu，損失函式MSE。

import tensorflow as tf
from numpy.random import RandomState
w1 = tf.Variable(tf.truncated_normal([2,3],seed=1))
w2 = tf.Variable(tf.truncated_normal([3,1],seed=1))

x = tf.placeholder(dtype=tf.float32,shape=[None,2]) #placeholder 存放 x：features ,y_real：labels
y_real = tf.placeholder(dtype=tf.float32,shape=[None,1])

a = tf.nn.relu(tf.matmul(x,w1))  #神經元的啟用函式為 relu；隱層
y_pre = tf.nn.relu(tf.matmul(a,w2)) #輸出層

sample_size = 20000 #訓練樣本數量
rds = RandomState(0) #隨機種子
X = rds.rand(sample_size,2)
Y = [[int(20*x1+30*x2)]+rds.rand(1) for (x1,x2) in X] # y_label=20*x1+30*x2+noise
    
MSE = tf.reduce_mean(abs(y_real-y_pre)) # 使用均方誤差（MSE）作為損失函式
train_step = tf.train.GradientDescentOptimizer(1e-3).minimize(MSE)  # 反向傳播演算法為：GradientDescentOptimizer，learing rate = 1e-3

step = 20000 #訓練迭代次數
batch = 500  #批大小為 500
start = 0    # 每個batch 的開始和結束指標
end = batch

sess = tf.Session()
sess.run(tf.global_variables_initializer())
for i in range(step):
    sess.run(train_step,feed_dict={x:X[start:end],y_real:Y[start:end]})
    if not i%20:
        H = sess.run(MSE,feed_dict={x:X[start:end],y_real:Y[start:end]})
        print ("MSE:",H)
        if H<0.4:  #採用stop early 的方法防止過擬合，節省訓練時間。
            break
    strat = end if end<sample_size else 0
    end = start+batch
y1 = sess.run(y_pre,feed_dict={x:X[start:end]})
y2 = Y[start:end]
sess.close()   

#訓練結果的部分展示
for i in range(100):
    print(y1[i],y2[i])