### 使用Python和神经网络算法训练一万个 `function(x1, x2)` 数据集 为了使用Python编写神经网络代码并训练一万个 `function(x1, x2)` 的数据集，可以采用Keras库构建一个多层感知机（MLP）模型。以下是完整的解决方案： #### 1. 准备环境 首先需要安装必要的依赖库： ```bash pip install numpy keras tensorflow matplotlib ``` #### 2. 定义数据集 假设已有一万组 `(x1, x2, y)` 数据，`y` 是目标值。如果没有现成的数据集，则可以通过模拟生成。 ```python import numpy as np # 假设 function(x1, x2) = sin(x1) + cos(x2) def generate_data(num_samples=10000): x1 = np.random.uniform(-10, 10, num_samples) x2 = np.random.uniform(-10, 10, num_samples) y = np.sin(x1) + np.cos(x2) # 这里定义了目标函数 return np.vstack((x1, x2)).T, y.reshape(-1, 1) X_train, y_train = generate_data() print(f"Training data shape: {X_train.shape}, Labels shape: {y_train.shape}") ``` #### 3. 构建神经网络模型 使用Keras创建一个简单的全连接神经网络模型。 ```python from keras.models import Sequential from keras.layers import Dense model = Sequential([ Dense(64, input_shape=(2,), activation='relu'), # 输入层 -> 隐藏层1 Dense(32, activation='relu'), # 隐藏层2 Dense(1, activation='linear') # 输出层 ]) model.compile(optimizer='adam', loss='mse') model.summary() ``` #### 4. 训练模型 通过调用 `.fit()` 方法对模型进行训练。 ```python history = model.fit( X_train, y_train, epochs=50, batch_size=32, validation_split=0.2, verbose=1 ) ``` #### 5. 可视化训练过程 绘制损失曲线以便观察模型收敛情况。 ```python import matplotlib.pyplot as plt plt.figure(figsize=(8, 5)) plt.plot(history.history['loss'], label='Training Loss') plt.plot(history.history['val_loss'], label='Validation Loss') plt.title('Loss Curve') plt.xlabel('Epochs') plt.ylabel('MSE Loss') plt.legend() plt.show() ``` #### 6. 测试模型性能 验证模型预测能力。 ```python X_test, y_test = generate_data(num_samples=1000) predictions = model.predict(X_test) for i in range(5): print(f"Input: {X_test[i]}, Predicted: {predictions[i][0]:.4f}, True Value: {y_test[i][0]:.4f}") error = np.mean(np.abs(predictions - y_test)) print(f"\nMean Absolute Error on Test Set: {error:.4f}[^1]") ``` --- ### 关键点解析 - **激活函数**: 在隐藏层中使用ReLU作为激活函数以引入非线性特性，在输出层使用线性激活函数适合回归任务[^2]。 - **优化器与损失函数**: Adam是一种自适应学习率方法；均方误差(MSE)适合作为目标函数用于连续数值预测[^3]。 - **批量大小与轮次**: 批量大小决定了每次更新权重所使用的样本数，而轮次数控制整个数据集被迭代的总次数[^4]。 ---