神经网络如何求解函数的最优值，求代码？

神经网络通常通过梯度下降算法来求解函数的最优值。下面是一个简单的示例代码，演示如何使用神经网络来求解一个简单函数的最优值：

import numpy as np

# 定义目标函数
def target_function(x):
    return x**2 + 5*np.sin(x)

# 定义神经网络模型
class NeuralNetwork:
    def __init__(self, input_dim, hidden_dim, output_dim):
        self.weights1 = np.random.randn(input_dim, hidden_dim)
        self.bias1 = np.zeros((1, hidden_dim))
        self.weights2 = np.random.randn(hidden_dim, output_dim)
        self.bias2 = np.zeros((1, output_dim))
    
    def forward(self, X):
        self.hidden_layer = np.dot(X, self.weights1) + self.bias1
        self.hidden_activation = np.tanh(self.hidden_layer)
        self.output_layer = np.dot(self.hidden_activation, self.weights2) + self.bias2
        return self.output_layer
    
    def backward(self, X, y, learning_rate=0.1):
        output_error = self.output_layer - y
        hidden_error = np.dot(output_error, self.weights2.T) * (1 - np.power(self.hidden_activation, 2))
        self.weights2 -= learning_rate * np.dot(self.hidden_activation.T, output_error)
        self.bias2 -= learning_rate * np.sum(output_error, axis=0, keepdims=True)
        self.weights1 -= learning_rate * np.dot(X.T, hidden_error)
        self.bias1 -= learning_rate * np.sum(hidden_error, axis=0)
    
    def train(self, X, y, num_epochs=1000):
        for epoch in range(num_epochs):
            output = self.forward(X)
            self.backward(X, y)
        return self.forward(X)

# 构造训练数据
X = np.random.uniform(-10, 10, (100, 1))
y = target_function(X)

# 创建并训练神经网络模型
model = NeuralNetwork(input_dim=1, hidden_dim=10, output_dim=1)
model.train(X, y)

# 使用训练好的模型求解函数的最优值
x_test = np.array([[2.5]])
y_pred = model.forward(x_test)
print("最优值:", y_pred)

这段代码使用一个简单的神经网络模型来逼近目标函数，模型的输入是x，输出是目标函数的值。通过多次迭代训练，模型会调整权重和偏置，逐渐接近函数的最优值。在训练完成后，可以使用训练好的模型来预测函数的最优值。

请注意，这只是一个简单示例，实际应用中可能需要更复杂的神经网络结构和更多的训练数据来获得更好的结果。