import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import numpy as np
 
# 1. 定義模型結構
model = Sequential([
    Dense(units=64, activation='relu', input_shape=(10,)),  # 輸入層，10個輸入特征，64個神經(jīng)元
    Dense(units=32, activation='relu'),                     # 隱藏層，32個神經(jīng)元
    Dense(units=1, activation='linear')                     # 輸出層，1個神經(jīng)元（用于回歸任務）
])
 
# 2. 編譯模型
model.compile(optimizer='adam', loss='mean_squared_error')
 
# 3. 訓練模型（可選）
# 這里我們生成一些隨機數(shù)據(jù)來訓練模型，但這不是必需的，因為我們主要關注權值
X_train = np.random.rand(100, 10)  # 100個樣本，每個樣本10個特征
y_train = np.random.rand(100, 1)   # 100個樣本，每個樣本1個輸出
 
# 訓練模型（可以注釋掉這一行，因為我們主要關注權值）
# model.fit(X_train, y_train, epochs=10, batch_size=10)
 
# 4. 提取權值
# 獲取每一層的權值
for layer in model.layers:
    # 檢查是否是Dense層
    if isinstance(layer, Dense):
        # 獲取權重和偏置
        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')
])

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}")

# 導入必要的庫
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
 
# 準備數(shù)據(jù)
# 假設我們有一個簡單的二維特征數(shù)據(jù)集和一個目標變量
# 在實際應用中，數(shù)據(jù)可能來自文件、數(shù)據(jù)庫或API
X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])  # 特征矩陣
y = np.dot(X, np.array([1, 2])) + 3  # 目標變量，這里我們手動設置了一個線性關系
 
# 為了模擬真實情況，我們加入一些噪聲
y += np.random.normal(0, 0.1, y.shape)
 
# 劃分數(shù)據(jù)集
# 在這個例子中，我們直接使用全部數(shù)據(jù)作為訓練集，因為重點是提取權值
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.0, random_state=42)
 
# 訓練模型
model = LinearRegression()
model.fit(X_train, y_train)
 
# 提取權值
weights = model.coef_  # 獲取模型的系數(shù)（權值）
intercept = model.intercept_  # 獲取模型的截距
 
# 輸出結果
print("模型的權值（系數(shù)）：", weights)
print("模型的截距：", intercept)
 
# 驗證模型（可選）
# 使用測試集或訓練集進行預測，并計算誤差
y_pred = model.predict(X_train)  # 這里我們使用訓練集進行預測，僅為了展示
print("訓練集上的預測值：", y_pred)
print("訓練集上的真實值：", y_train)
 
# 計算均方誤差（MSE）作為性能評估指標
from sklearn.metrics import mean_squared_error
mse = mean_squared_error(y_train, y_pred)
print("訓練集上的均方誤差（MSE）：", mse)