详解Python如何根据给定模型计算权值

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import numpy as np
 
# 1. 定义模型结构
model = Sequential([
    Dense(units=64, activation='relu', input_shape=(10,)),  # 输入层，10个输入特征，64个神经元
    Dense(units=32, activation='relu'),                     # 隐藏层，32个神经元
    Dense(units=1, activation='linear')                     # 输出层，1个神经元（用于回归任务）
])
 
# 2. 编译模型
model.compile(optimizer='adam', loss='mean_squared_error')
 
# 3. 训练模型（可选）
# 这里我们生成一些随机数据来训练模型，但这不是必需的，因为我们主要关注权值
X_train = np.random.rand(100, 10)  # 100个样本，每个样本10个特征
y_train = np.random.rand(100, 1)   # 100个样本，每个样本1个输出
 
# 训练模型（可以注释掉这一行，因为我们主要关注权值）
# model.fit(X_train, y_train, epochs=10, batch_size=10)
 
# 4. 提取权值
# 获取每一层的权值
for layer in model.layers:
    # 检查是否是Dense层
    if isinstance(layer, Dense):
        # 获取权重和偏置
        weights, biases = layer.get_weights()
        print(f"Layer {layer.name} - Weights:\n{weights}\nBiases:\n{biases}")

model = Sequential([
    Dense(units=64, activation='relu', input_shape=(10,)),
    Dense(units=32, activation='relu'),
    Dense(units=1, activation='linear')
])

model.compile(optimizer='adam', loss='mean_squared_error')

X_train = np.random.rand(100, 10)
y_train = np.random.rand(100, 1)
model.fit(X_train, y_train, epochs=10, batch_size=10)

for layer in model.layers:
    if isinstance(layer, Dense):
        weights, biases = layer.get_weights()
        print(f"Layer {layer.name} - Weights:\n{weights}\nBiases:\n{biases}")

# 导入必要的库
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
 
# 准备数据
# 假设我们有一个简单的二维特征数据集和一个目标变量
# 在实际应用中，数据可能来自文件、数据库或API
X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])  # 特征矩阵
y = np.dot(X, np.array([1, 2])) + 3  # 目标变量，这里我们手动设置了一个线性关系
 
# 为了模拟真实情况，我们加入一些噪声
y += np.random.normal(0, 0.1, y.shape)
 
# 划分数据集
# 在这个例子中，我们直接使用全部数据作为训练集，因为重点是提取权值
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.0, random_state=42)
 
# 训练模型
model = LinearRegression()
model.fit(X_train, y_train)
 
# 提取权值
weights = model.coef_  # 获取模型的系数（权值）
intercept = model.intercept_  # 获取模型的截距
 
# 输出结果
print("模型的权值（系数）：", weights)
print("模型的截距：", intercept)
 
# 验证模型（可选）
# 使用测试集或训练集进行预测，并计算误差
y_pred = model.predict(X_train)  # 这里我们使用训练集进行预测，仅为了展示
print("训练集上的预测值：", y_pred)
print("训练集上的真实值：", y_train)
 
# 计算均方误差（MSE）作为性能评估指标
from sklearn.metrics import mean_squared_error
mse = mean_squared_error(y_train, y_pred)
print("训练集上的均方误差（MSE）：", mse)