今天我尝试使用神经网络来预测基于前20个随机数序列生成的下一个随机数。然而，当我实际使用模型进行预测时，它只是返回了最常见的数字。我对keras和tensorflow非常陌生，所以我不知道如何解决这个问题，或者这是否是可能的。以下是代码。

from random import randintimport numpy as npimport tensorflow as tfdef generate_sequence(length=1000000):    rList = []    for i in range(length):        rInt = randint(0, 99)        if rInt >= 0 and rInt <= 47:            rList.append(0)        elif rInt > 47 and rInt <= 71:            rList.append(1)        elif rInt > 71 and rInt <= 87:            rList.append(2)        elif rInt > 87 and rInt <= 95:            rList.append(3)        else:            rList.append(4)    return rListdata = generate_sequence()train_data = data[:800000]test_data = data[800000:]x_train = []y_train = []x_test = []y_test = []for i in range(0, 799980, 20):    x_train.append(train_data[i:i+20])    y_train.append(train_data[i+20])for i in range(0, 199980, 20):    x_test.append(test_data[i:i+20])    y_test.append(test_data[i+20])x_train = tf.keras.utils.normalize(x_train, axis=1)x_test = tf.keras.utils.normalize(x_test, axis=1)x_train = np.asarray(x_train)y_train = np.asarray(y_train)x_test = np.asarray(x_test)y_test = np.asarray(y_test)model = tf.keras.models.Sequential()model.add(tf.keras.layers.Flatten())model.add(tf.keras.layers.Dense(625, activation=tf.nn.relu))model.add(tf.keras.layers.Dense(125, activation=tf.nn.relu))model.add(tf.keras.layers.Dense(25, activation=tf.nn.relu))model.add(tf.keras.layers.Dense(5, activation=tf.nn.softmax))model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])model.fit(x_train, y_train, epochs=5)val_loss, val_acc = model.evaluate(x_test, y_test)print(val_loss, val_acc)prediction = model.predict([x_test])for pred in prediction:    print(np.argmax(pred))

回答：

我认为你无法根据过去的输出预测Python的random模块生成的数字。random模块使用的是random，它采用梅森旋转算法，在生成2^19937-1个数字之前不会重复。神经网络无法基于之前的数字预测接下来的数字。

你的神经网络返回最常见数字的原因是，由于任何给定的20个前序数字与后续数字之间没有相关性，神经网络所能做的最好选择就是猜测最常见的数字，因为这在训练中会得到最高的得分。

如果你的目标是破解Python的random模块，或许这个回答建议计算梅森旋转算法的状态可能会有帮助。