import tensorflow as tffrom tensorflow.keras.models import Sequentialfrom tensorflow.keras.layers import Denseimport numpy as np # 1. 定义模型结构model = Sequential([    Dense(units=64, activation='relu', input_shape=(10,)),  # 输入层，10个输入特征，64个神经元    Dense(units=32, activation='relu'),                     # 隐藏层，32个神经元    Dense(units=1, activation='linear')                     # 输出层，1个神经元（用于回归任务）]) # 2. 编译模型model.compile(optimizer='adam', loss='mean_squared_error') # 3. 训练模型（可选）# 这里我们生成一些随机数据来训练模型，但这不是必需的，因为我们主要关注权值X_train = np.random.rand(100, 10)  # 100个样本，每个样本10个特征y_train = np.random.rand(100, 1)   # 100个样本，每个样本1个输出 # 训练模型（可以注释掉这一行，因为我们主要关注权值）# model.fit(X_train, y_train, epochs=10, batch_size=10) # 4. 提取权值# 获取每一层的权值for layer in model.layers:    # 检查是否是Dense层    if isinstance(layer, Dense):        # 获取权重和偏置        weights, biases = layer.get_weights()        print(f"Layer {layer.name} - Weights:\n{weights}\nBiases:\n{biases}")

model = Sequential([    Dense(units=64, activation='relu', input_shape=(10,)),    Dense(units=32, activation='relu'),    Dense(units=1, activation='linear')])

python复制代码
model.compile(optimizer='adam', loss='mean_squared_error')

X_train = np.random.rand(100, 10)y_train = np.random.rand(100, 1)model.fit(X_train, y_train, epochs=10, batch_size=10)

for layer in model.layers:    if isinstance(layer, Dense):        weights, biases = layer.get_weights()        print(f"Layer {layer.name} - Weights:\n{weights}\nBiases:\n{biases}")

# 导入必要的库import numpy as npfrom sklearn.model_selection import train_test_splitfrom sklearn.linear_model import LinearRegression # 准备数据# 假设我们有一个简单的二维特征数据集和一个目标变量# 在实际应用中，数据可能来自文件、数据库或APIX = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])  # 特征矩阵y = np.dot(X, np.array([1, 2])) + 3  # 目标变量，这里我们手动设置了一个线性关系 # 为了模拟真实情况，我们加入一些噪声y += np.random.normal(0, 0.1, y.shape) # 划分数据集# 在这个例子中，我们直接使用全部数据作为训练集，因为重点是提取权值X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.0, random_state=42) # 训练模型model = LinearRegression()model.fit(X_train, y_train) # 提取权值weights = model.coef_  # 获取模型的系数（权值）intercept = model.intercept_  # 获取模型的截距 # 输出结果print("模型的权值（系数）：", weights)print("模型的截距：", intercept) # 验证模型（可选）# 使用测试集或训练集进行预测，并计算误差y_pred = model.predict(X_train)  # 这里我们使用训练集进行预测，仅为了展示print("训练集上的预测值：", y_pred)print("训练集上的真实值：", y_train) # 计算均方误差（MSE）作为性能评估指标from sklearn.metrics import mean_squared_errormse = mean_squared_error(y_train, y_pred)print("训练集上的均方误差（MSE）：", mse)