Tensorflow 是否可以使用Keras优化数学函数的系数？

一般来说，我对神经网络非常陌生。
我想知道我是否有一个点的列表

（x，y）

，它来自一个二次函数，看起来像这样

（ax^2+bx+c）

• 将这些点输入神经网络，然后

• 是否将系数

  a、b和c

  作为网络的输出

  ---

  我知道我可以简单地使用多项式回归来实现我的目标。这不是重点

---

如果你想知道如何使用神经网络进行多项式回归，以下是配方

数据集由点

（x，y）

组成。将您的网络设计为具有1个输入层和1个输出层的完全连接的网络（密集网络）。输入层由2个节点组成，输出层由1个节点组成。然后，向网络输入

x

和

x^2

。输出将计算为：

y = w * X + c

其中，

w

是可学习参数的矩阵。具体来说，它的形状为1x2，因为它包含参数

a

和

b

<代码>c是一种偏见。输入矩阵

X

的形状为2xN，其中

N

是数据集中的点数，对于每个点，第一个分量是

X^2

，第二个分量是

X

作为损失函数，使用标准均方误差损失。至于优化器，简单的随机梯度下降应该可以很好地工作。在收敛时，

w

和

c

足以逼近真正的二次函数

---

---

我不知道keras，但我认为自己弄清楚如何实现这个朴素的网络并不困难。

如果你想知道如何使用神经网络进行多项式回归，下面是配方

数据集由点

（x，y）

组成。将您的网络设计为具有1个输入层和1个输出层的完全连接的网络（密集网络）。输入层由2个节点组成，输出层由1个节点组成。然后，向网络输入

x

和

x^2

。输出将计算为：

y = w * X + c

其中，

w

是可学习参数的矩阵。具体来说，它的形状为1x2，因为它包含参数

a

和

b

<代码>c是一种偏见。输入矩阵

X

的形状为2xN，其中

N

是数据集中的点数，对于每个点，第一个分量是

X^2

，第二个分量是

X

作为损失函数，使用标准均方误差损失。至于优化器，简单的随机梯度下降应该可以很好地工作。在收敛时，

w

和

c

足以逼近真正的二次函数

---

---

我不知道keras，但我认为自己弄清楚如何实现这个幼稚的网络并不困难。

“我知道我可以简单地使用多项式回归来实现我的目标。这不是重点。”这句话是什么意思？你问的正是多项式回归。我知道，但我只是好奇神经网络是否能做到“我知道我可以简单地使用多项式回归来实现我的目标。这不是重点。”这句话是什么意思？你问的正是多项式回归。我知道，但我只是好奇神经网络是否能做到