已知y=mmx+3*n，推理出参数m和n

最新推荐文章于 2025-12-25 14:57:52 发布

原创最新推荐文章于 2025-12-25 14:57:52 发布 · 232 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#python #深度学习 #numpy

机器学习专栏收录该内容

2 篇文章

订阅专栏

该文章演示了如何在TensorFlow中创建一个自定义层，并用它来构建一个简单的模型。通过定义输入和输出数据，模型基于这些数据进行训练，以学习到权重参数m和n。使用MeanSquaredError作为损失函数，Adam优化器进行优化，并在100个epoch内进行训练。最后，文章打印出训练得到的m和n的值。

import tensorflow as tf
import numpy as np

# 定义输入和输出数据
x = np.random.rand(100).astype(np.float32)

# 假设m=3,n=4去生成输入，去推理出m、n
y = 3 * 3 * x + 3 * 4

# 定义自定义层
class MyLayer(tf.keras.layers.Layer):
    def __init__(self, units=1):
        super(MyLayer, self).__init__()
        self.units = units

    def build(self, input_shape):
        self.m = self.add_weight(
            name='m',
            shape=(1,),
            initializer='random_normal',
            trainable=True)
        self.n = self.add_weight(
            name='n',
            shape=(1,),
            initializer='random_normal',
            trainable=True)

    def call(self, inputs):
        return self.m * self.m * inputs + 3 * self.n

# 定义模型
model = tf.keras.Sequential([
    MyLayer()
])

# 定义损失函数
loss_fn = tf.keras.losses.MeanSquaredError()

# 定义优化器
optimizer = tf.keras.optimizers.Adam(learning_rate=0.01)

# 编译模型
model.compile(optimizer=optimizer, loss=loss_fn)

# 训练模型,每100次输出一次日志
model.fit(x, y, epochs=100, steps_per_epoch=100)

# 打印结果
for layer in model.layers:
    print(f"m = {layer.m.numpy()}, n = {layer.n.numpy()}")