Python 类初始化方法 __init__ 的详细解析

这段代码是一个类的初始化方法，它接受一些参数，并将它们存储在类的实例变量中。下面是对每个参数的详细解释：

• X_u：一个二维数组，表示一些观测数据。X_u[:, 0:1]表示观测数据的第一列，X_u[:, 1:2]表示观测数据的第二列。
• E：一个二维数组，表示某种特征的观测值。
• Ne：一个二维数组，表示另一种特征的观测值。
• Te：一个二维数组，表示第三种特征的观测值。
• X_f：一个二维数组，表示另一组观测数据。X_f[:, 0:1]表示观测数据的第一列，X_f[:, 1:2]表示观测数据的第二列。
• layers：一个列表，表示神经网络的层数和每层的神经元数。
• lb：一个标量，表示一个范围的下界。
• ub：一个标量，表示一个范围的上界。

接下来，该方法做了以下事情：

• 将lb和ub存储在实例变量self.lb和self.ub中。
• 从X_u和X_f中提取出需要的列，并将它们存储在实例变量self.x_u和self.t_u中。
• 将E、Ne和Te存储在实例变量self.E、self.Ne和self.Te中。
• 从X_f中提取出需要的列，并将它们存储在实例变量self.x_f和self.t_f中。
• 初始化实例变量self.loss1为0。
• 将layers作为参数调用initialize_NN方法初始化神经网络的权重和偏差，并将它们存储在实例变量self.weights和self.biases中。
• 创建一个tf.Session对象，用于运行TensorFlow图。
• 创建一些TensorFlow占位符，用于将数据传递给图中的变量。
• 使用net_u方法和占位符self.x_u_tf和self.t_u_tf计算预测值self.E_pred、self.N_e_pred和self.T_e_pred。
• 使用net_f方法和占位符self.x_f_tf和self.t_f_tf计算函数self.f。
• 定义损失函数self.loss，它是预测值与观测值之间的均方差的加权和。
• 创建一个Scipy优化器self.optimizer，用于最小化损失函数。
• 创建一个Adam优化器self.optimizer_Adam，用于最小化损失函数。
• 初始化所有变量。
• 运行init操作来执行初始化。