2023.11.28 使用tensorflow进行“三好“权重分析

2023.11.28 使用tensorflow进行"三好"权重分析

这是最基础的一个神经网络问题。许久没有再使用，用来做恢复训练比较好。

x1w1 + x2w2 +x3*w3 = y，已知x1,x2,x3和y，求w1,w2,w3
这是一个三元一次方程，正常需要三组数据就能准确求出解，但是如果要在仅有两组数据的情况下进行求解，除使用暴力法外，采用神经网络是一个不错的选择，网络模型图如下

'''
    尝试最基础的tensorflow应用：三好学生的"三好"权重分析
    问题：
    "三好"指的是品德好，学习好，体育好，有两组分数和各组分数综合值，求每个分数的权重
'''

import tensorflow.compat.v1 as tf      # tf2.0版本改动太大，如果要按1.X版本的格式写需要调用这个库
tf.disable_v2_behavior()               # tf2.0版本改动太大，如果要按1.X版本的格式写需要调用这个库

x1 = tf.placeholder(dtype=tf.float32)
x2 = tf.placeholder(dtype=tf.float32)
x3 = tf.placeholder(dtype=tf.float32)
yTrain = tf.placeholder(dtype=tf.float32)
'''
    在TensorFlow 1.X中，创建占位符并在tf.Session实例化时为其提供实际值。
    但是，从TensorFlow2.0开始，默认情况下启用了Eager Execution，
    因此“占位符”的概念没有意义，因为操作是立即计算的（而不是与旧范例不同）
'''

w1 = tf.Variable(0.1,dtype=tf.float32)                  # 0.1是w1的初始化参数
w2 = tf.Variable(0.1,dtype=tf.float32)
w3 = tf.Variable(0.1,dtype=tf.float32)

n1 = x1 * w1
n2 = x2 * w2
n3 = x3 * w3

y = n1 + n2 + n3

loss = tf.abs(y - yTrain)           # 使用.abs(绝对值)，是使实际值和目标值差距最小，而不是损失函数数字最小
learning_rate = 0.001

optimizer = tf.train.RMSPropOptimizer(learning_rate)        # 选择优化器/分类器

train = optimizer.minimize(loss)                # 训练模型，目标是loss最小

sess = tf.Session()
init = tf.global_variables_initializer()        # 初始化前述张量（tf.）
sess.run(init)

for i in range(5000):
    result = sess.run([train,x1,x2,x3,w1,w2,w3,y,yTrain,loss],feed_dict={x1:90,x2:80,x3:70,yTrain:85})
    print(result)

    result = sess.run([train, x1, x2, x3, w1, w2, w3, y, yTrain, loss], feed_dict={x1: 98, x2: 95, x3: 87, yTrain: 96})
    print(result)

循环5000次，输出结果

# 输出结果解释
第一个元素 None 表示训练操作 train 的执行结果为空。
第二个元素 array(98., dtype=float32) 表示输入占位符 x1 的值为 98。
第三个元素 array(95., dtype=float32) 表示输入占位符 x2 的值为 95。
第四个元素 array(87., dtype=float32) 表示输入占位符 x3 的值为 87。
第五个元素 0.5828438 表示权重变量 w1 的值为 0.5828438。
第六个元素 0.2860972 表示权重变量 w2 的值为 0.2860972。
第七个元素 0.13144642 表示权重变量 w3 的值为 0.13144642。
第八个元素 96.03325 表示模型输出 y 的值为 96.03325。
第九个元素 array(96., dtype=float32) 表示目标输出占位符 yTrain 的值为 96。
最后一个元素 0.0332489 表示损失函数 loss 的值为 0.0332489。

对比循环500次，输出结果，循环500次loss尚未稳定，和最终结果存在较大偏差