Python 张量流权约束

我有一个巨大的数据集，它实际上是通过使用一个含有四个未知数的方程创建的。这意味着：

A*x_1 + B*x_2 + C*x_3 + D*x_4 = y  

我有

x=[x_1，x_2，x_3，x_4]

和

y

我需要用神经网络找到A，B，C，D的值

我创建了一个（4,1）随机权重矩阵

W = tf.random_uniform((4,1), minval=0, maxval=1, dtype=tf.float64, seed=None, name=None)

现在，权重的所有元素都在0和1之间。然而，我需要的是，将这些权重作为它们的和等于一，无论迭代是什么

例如，开始时权重可以是0.25、0.45、0.15、0.15。在1000次迭代之后，权重可以更新为0.33、0.25、0.42、0.00或1.00、0、0、0

据我所知，softmax功能适合该操作。然而，我无法将softmax函数集成为约束

第二个问题：

我试图通过修改这个模型来构建一个模型。

然而，每次的结果都不同，结果并不成立。甚至不接近。 例如：

y = 0.680084169  
x = [(0.764845252)      (0.68613559) (0.358461678) (0.680084169)] 

两种不同模型的结果具有权重

(0.63843704)    (0.12227005)    (0.42270223)    (0.05195979)  
(0.45886127)    (0.88964135)    (0.59473092)    (0.19037153)  

第一个估计值为0.759058953
第二个估计值为1.304029364

---

我做错了什么？

要实现

sum（X）=1的约束，您可以做两件事之一。你可以训练三次
x
s，第四次使用
1-sum（x）
。或者，在执行乘法之前，您可以将
X
除以
sum（X）
。（这与操作类似，但它是为特定目的而设计的（用于处理logit输入），并且在操作之前需要取
X
的指数。因此，如果要使用softmax进行此操作，必须首先取
X
的
log
，这增加了复杂性（你说你的
X
s介于0和1之间，你也会遇到0s的问题。）也就是说：

将通过缩放所有值将
X
之和设置为1。（您的问题不清楚是
X
还是
W
要设置为1，请更改上面的行以符合您的意图。）

我猜“结果不成立”你的意思是你的“人际网络”没有融合。原因有两个。首先，你可能想降低学习率

不幸的是，第二个问题是原始问题的一个理论问题。你需要4个数字的线性组合，并试图找到系数来得到一个特定的结果。问题是这个问题是欠约束的。基本上你可以任意修正4个数字中的2个，你可以找到第三个和第四个来满足t他表示相等；嗯，至少对于很多值（因为您希望
X
s介于0和1之间，所以可能有
Y
s超出了可能的范围，或者正好位于边缘）。根据您确切需要的内容，您可能需要添加L2正则化约束（也称为权重衰减），如下所示：

deviation = tf.reduce_sum( tf.square ( y - yy ) ) + 0.004 * tf.reduce_sum( tf.square( x ) )

如果0.004是重量衰减的系数，则需要通过实验找到最佳值

另外一个实施问题是

y = tf.Variable(y_train[0])

看起来您正在将
y
设置为具有的可训练变量，因此训练过程还将更改您的
y
，这可能不是您想要的。您可能想要

t = tf.Variable( y_train[ 0 ], trainable = False )

y = tf.Variable(y_train[0])

t = tf.Variable( y_train[ 0 ], trainable = False )