导入所需模块

import tensorflow as tf # 导入 TensorFlow 库，用于构建和训练神经网络模型 import numpy as np # 导入 NumPy 库，用于处理数值数据

定义一个神经网络模型

def neural_network_model(data): # 定义网络结构，这里使用 3 个隐藏层，每层有 256 个神经元 hidden_layer_1 = {'weights': tf.Variable(tf.random_normal([len(data[0]), 256])), # 第一个隐藏层的权重，使用随机正态分布初始化 'biases': tf.Variable(tf.random_normal([256]))} # 第一个隐藏层的偏置，使用随机正态分布初始化

hidden_layer_2 = {'weights': tf.Variable(tf.random_normal([256, 256])),  # 第二个隐藏层的权重
                  'biases': tf.Variable(tf.random_normal([256]))}  # 第二个隐藏层的偏置

hidden_layer_3 = {'weights': tf.Variable(tf.random_normal([256, 256])),  # 第三个隐藏层的权重
                  'biases': tf.Variable(tf.random_normal([256]))}  # 第三个隐藏层的偏置

output_layer = {'weights': tf.Variable(tf.random_normal([256, len(output[0])])),  # 输出层的权重
                'biases': tf.Variable(tf.random_normal([len(output[0])]))}  # 输出层的偏置

# 定义每一层的计算方式
l1 = tf.add(tf.matmul(data, hidden_layer_1['weights']), hidden_layer_1['biases'])  # 第一个隐藏层的计算结果
l1 = tf.nn.relu(l1)  # 使用 ReLU 激活函数

l2 = tf.add(tf.matmul(l1, hidden_layer_2['weights']), hidden_layer_2['biases'])  # 第二个隐藏层的计算结果
l2 = tf.nn.relu(l2)  # 使用 ReLU 激活函数

l3 = tf.add(tf.matmul(l2, hidden_layer_3['weights']), hidden_layer_3['biases'])  # 第三个隐藏层的计算结果
l3 = tf.nn.relu(l3)  # 使用 ReLU 激活函数

output = tf.matmul(l3, output_layer['weights']) + output_layer['biases']  # 输出层的计算结果

return output

定义训练函数

def train_neural_network(x, y): # 定义 batch_size 和训练次数 batch_size = 100 # 每个批次的样本数量 num_epochs = 10 # 训练的轮数

# 调用神经网络模型
prediction = neural_network_model(x)  # 获取模型的预测结果

# 定义损失函数
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=prediction, labels=y))  # 使用 Softmax 交叉熵作为损失函数

# 使用 Adam 优化器进行优化
optimizer = tf.train.AdamOptimizer().minimize(cost)  # 使用 Adam 优化器最小化损失函数

# 开始训练
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())  # 初始化所有变量

    for epoch in range(num_epochs):
        epoch_loss = 0  # 初始化每一轮的损失值

        # 将数据分 batch 进行训练
        for i in range(int(len(train_x) / batch_size)):
            epoch_x, epoch_y = train_x[i * batch_size:(i + 1) * batch_size], train_y[i * batch_size:(i + 1) * batch_size]  # 获取当前批次的训练数据
            _, c = sess.run([optimizer, cost], feed_dict={x: epoch_x, y: epoch_y})  # 训练模型并计算损失值
            epoch_loss += c  # 累加每一批次的损失值

        print('Epoch', epoch, 'completed out of', num_epochs, 'loss:', epoch_loss)  # 打印训练进度

    # 计算准确率
    correct = tf.equal(tf.argmax(prediction, 1), tf.argmax(y, 1))  # 计算预测值与真实值是否一致
    accuracy = tf.reduce_mean(tf.cast(correct, 'float'))  # 计算准确率

    print('Accuracy:', accuracy.eval({x: test_x, y: test_y}))  # 打印测试集上的准确率

定义训练数据和测试数据

train_x = np.array(...) # 训练集的输入数据 train_y = np.array(...) # 训练集的标签数据 test_x = np.array(...) # 测试集的输入数据 test_y = np.array(...) # 测试集的标签数据

调用训练函数进行训练

train_neural_network(train_x, train_y) # 使用训练数据训练神经网络模型