深度学习---三好学生各成绩所占权重问题（3）_c++评三好学生代码

代码讲解

结果展示

---

全部代码

import tensorflow as tf

tf.compat.v1.disable_eager_execution()

x = tf.compat.v1.placeholder(shape=[3], dtype=tf.float32)
yTrain = tf.compat.v1.placeholder(shape=[], dtype=tf.float32)

w = tf.Variable(tf.zeros([3]), dtype=tf.float32)

n = x * w

y = tf.reduce_sum(n)

loss = tf.abs(y - yTrain)

optimizer = tf.compat.v1.train.RMSPropOptimizer(0.001)

train = optimizer.minimize(loss)

sess = tf.compat.v1.Session()

init = tf.compat.v1.global_variables_initializer()

sess.run(init)

for i in range(5000):
    result = sess.run([train, x, w, y, yTrain, loss], feed_dict={x: [90, 80, 70], yTrain: 85})
    print(result)

    result = sess.run([train, x, w, y, yTrain, loss], feed_dict={x:[98, 95, 87], yTrain: 96})
    print(result)

代码讲解

之前设计的神经网络模型中，把学生的德育、智育、体育3项分数分别对应x1、x2、x3这了个输入层的节点，这样本身没有问题，但是假设又增加了一个艺术分数， 那么就需要在输入层增加一个x4节点，在隐藏层对应的也要增加一个n4节点。也就是说，输入数据改变时，即使整套逻辑没有变，也要去修改整个网络模型，比较麻烦。

另外，节点数多了也会让模型图看起来比较复杂。所以在通常的神经网络中，很多时候会把这种串的数据组织成一个**“向量”**来送入神经网络进行计算。这里的“向量”与数学几何中的向量概念稍有不同，就是指一串数字，在程序中用一个数组来表示，例如，三好学生成绩问题中第一个学生的3项分数可以用[90, 80, 70]这样一个数组就表示出来了。数组是有顺序的，可以约定第一项代表德育分、 第二项代表智育分、 第三项代表体育分。向量中有几个数字，一般就把它叫作几“维”的向量，例如刚才这个向量就是一个三维向量。

x1 = tf.compat.v1.placeholder(dtype=tf.float32)
x2 = tf.compat.v1.placeholder(dtype=tf.float32)
x3 = tf.compat.v1.placeholder(dtype=tf.float32)

改成了一个三维的向量存入变量x

x = tf.compat.v1.placeholder(shape=[3], dtype=tf.float32)

变量x的定义语句稍有不同，其中增加了一个命名参数shape,这是表示变量x的形态的，它的取值是“[3]”， 表示输入占位符x的数据将是一个有3个数字的数组，也就是一个三维向量。

w1、w2、w3这3个可变参数也被缩减成了一个三维向量w:

w = tf.Variable(tf.zeros([3]), dtype=tf.float32)

其中tf.Variable函数的第一个参数还是定义这个可变参数的初始值，由于x是一个形态为[3]的三维向量，w也需要相应地是一个形态为[3]的三维向量，而我们用tf.zeros这个函数可以生成一个值全为0的向量，也就是说tf.zeros([3])的返回值将是一个数组[0, 0, 0]，这个向量将作为w的初始值。

yTrain因为只是一个普通数字，不是向量，如果要给它个形态的话， 可以用一个空的方括号“[]”来代表。

yTrain = tf.compat.v1.placeholder(shape=[], dtype=tf.float32)

隐藏层节点变量n1、n2、n3也被缩减成一个变量 n:

n = x * w

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

.net/topics/618545628)**

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！