python使用多个输入和输出预测学习

def w_sum(a, b):  # 定义了一个运算函数
    assert (len(a) == len(b))  # len()是 Python 的内置函数之一，它返回对象的长度。
    # 当a和b长度一样的时，返回值为Ture
    # Python的assert是用来检查一个条件，如果它为真，就不做任何事。如果它为假，则会抛出AssertError并且包含错误信息。
    output = 0  # 赋值output的初始值为0
    for i in range(len(a)):  # for循环函数，自0开始便利全部函数
        output += (a[i] * b[i])  # output = a[1]*b[1]+a[2]*b[3]+……+a[i]*b[i]
    return output


def vect_mat_mul(vect, matrix):
    assert (len(vect) == len(matrix))
    output = [0, 0, 0]
    for i in range(len(vect)):
        output[i] = w_sum(vect, matrix[i])
    return output


weights = [[0.1, 0.1, -0.3],  # 权重，可以理解为第一个权重因子，也就是第一个输出的预测结果
           [0.1, 0.2, 0.0],  # 权重，可以理解为第2个权重因子，也就是第2个输出的预测结果
           [0.0, 1.3, 0.1]]  # 权重，可以理解为第3个权重因子，也就是第3个输出的预测结果


# 定义了一个网络函数的权重
def neural_network(input, weights):  # input是样本输入
    pred = vect_mat_mul(input, weights)  # 预测函数，调用运算函数
    return pred  # 返回预测结果


a1 = [8.5, 9.5, 10, 9]  # 样本1,输入样本
a2 = [0.65, 0.8, 0.8, 0.9]  # 样本2
a3 = [1.2, 1.3, 0.5, 1.0]  # 样本3
input = [a1[0], a2[0], a3[0]]
pred = neural_network(input, weights)
print(pred)
for j in range(len(a1)):
    input = [a1[j], a2[j], a3[j]]  # 将函数的第一个作为样板输入
    pred = neural_network(input, weights)  # 调用预测函数进行预测
    print("第", j, "次预测的结果是：", pred)
#第一次是a1[0]*weights[0][0]+a2[0]*weights[0][1]+a3[0]*weights[0][2]

输出结果为

[0.555, 0.9800000000000001, 0.9650000000000001]
第 0 次预测的结果是： [0.555, 0.9800000000000001, 0.9650000000000001]
第 1 次预测的结果是： [0.64, 1.11, 1.17]
第 2 次预测的结果是： [0.93, 1.1600000000000001, 1.09]
第 3 次预测的结果是： [0.69, 1.08, 1.2700000000000002]

进程已结束,退出代码0