我有一组简单的回归训练数据如下。我希望在TensorFlow中训练网络，并再次输入[1 0 1]（与示例3相同）到网络中，这应该给我一个接近1的值（比如0.99）。

现在这是我的TensorFlow代码（使用Python 3）。我使用了一个线性层，然后是一个Sigmoid函数。我使用了均方损失。请注意，在最后几行中，我输入了[1 0 1]来测试模型的预测能力。我得到的只是0.5015，这与我的期望（即0.99）相差甚远。

版本1：TensorFlow代码：

import tensorflow as tfimport numpy as npbatch_xs=np.array([[0,0,1],[1,1,1],[1,0,1],[0,1,1]])batch_ys=np.array([[0],[1],[1],[0]])x = tf.placeholder(tf.float32, [None, 3])W = tf.Variable(tf.zeros([3, 1]))b = tf.Variable(tf.zeros([1]))y = tf.nn.sigmoid(tf.matmul(x, W) + b)y_ = tf.placeholder(tf.float32, [None, 1])mean_square_loss = tf.reduce_mean(tf.square(y_ - y)) learning_rate = 0.05train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(mean_square_loss)sess = tf.Session()tf.global_variables_initializer().run(session=sess)sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})x0=np.array([[1.,0.,1.]])x0=np.float32(x0)y0=tf.nn.sigmoid(tf.matmul(x0,W) + b)print('%.15f' % sess.run(y0))

为什么结果与预期值相差甚远？如果我只使用Numpy而不是TensorFlow，以下9行代码可以得到0.9936的输出。

版本2：Numpy代码：

from numpy import exp, array, random, dottraining_set_inputs = array([[0, 0, 1], [1, 1, 1], [1, 0, 1], [0, 1, 1]])training_set_outputs = array([[0, 1, 1, 0]]).Trandom.seed(1)synaptic_weights = 2 * random.random((3, 1)) - 1for iteration in range(10000):output = 1 / (1 + exp(-(dot(training_set_inputs, synaptic_weights))))synaptic_weights += dot(training_set_inputs.T, (training_set_outputs - output) * output * (1 - output))print(1 / (1 + exp(-(dot(array([1, 0, 1]), synaptic_weights)))))

我如何修改版本1中的TensorFlow代码，使结果接近0.99？非常感谢！

回答：

在你的TensorFlow代码中，sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})会更新/训练你的权重。请注意，你只运行了一次，学习率为0.05。但在你的Numpy代码中，你运行了10000次迭代，这相当于执行

for i in range(10000):    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

你应该能得到大约0.95的结果。如果你将学习率增加到1，像Numpy代码中那样，你应该能得到预期的行为（0.99）。