如何训练神经网络以正确求解a+b*c/d类型的四则运算表达式？

核心问题 #

你的代码存在三个致命问题，导致无法正确求解四则运算：

1. 无训练流程：当前神经网络的权重是固定值[0.5, 0.5, 0.5]，完全没有通过数据学习运算规则，只是做了一次无意义的点积计算。
2. 运算顺序错误：手动按从左到右的顺序执行运算符，完全忽略了四则运算的优先级（先乘除后加减），导致计算逻辑本身错误。
3. 输入逻辑错误：神经网络没有接收运算符信息，根本不知道需要执行哪些运算，输入仅包含部分操作数，无法学习运算映射关系。

解决方案：从零构建可训练的四则运算神经网络 #

要让神经网络学会求解四则运算，需要完成数据生成、网络架构设计、训练流程实现三个核心步骤，以下是完整实现：

1. 数据生成：生成带标签的四则运算样本

生成大量包含操作数、运算符的表达式，同时计算出正确结果作为训练标签，自动处理运算优先级。

2. 网络架构：用MLP学习运算映射

针对简单四则运算（如a op1 b op2 c形式），将操作数和运算符编码为网络输入，用多层感知机（MLP）学习从输入到结果的映射。

3. 训练流程：定义损失函数与优化器

回归问题用均方误差（MSE）作为损失函数，用Adam优化器更新权重，完成训练。

完整可运行代码 #

import numpy as np
from sklearn.model_selection import train_test_split
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.optimizers import Adam

# 生成四则运算训练样本
def generate_samples(num_samples=10000):
    samples = []
    labels = []
    operators = ['+', '-', '*', '/']
    for _ in range(num_samples):
        # 生成3个操作数和2个运算符（对应a op1 b op2 c的形式）
        a = np.random.uniform(0.1, 100)
        b = np.random.uniform(0.1, 100)
        c = np.random.uniform(0.1, 100)
        op1 = np.random.choice(operators)
        op2 = np.random.choice(operators)
        # 构建表达式并计算正确结果（自动处理优先级）
        expr = f"{a}{op1}{b}{op2}{c}"
        try:
            result = eval(expr)
            # 编码运算符：+→0, -→1, *→2, /→3
            op1_code = operators.index(op1)
            op2_code = operators.index(op2)
            # 输入特征：[a, op1_code, b, op2_code, c]
            samples.append([a, op1_code, b, op2_code, c])
            labels.append(result)
        except ZeroDivisionError:
            continue
    return np.array(samples), np.array(labels)

# 生成数据并划分训练/测试集
X, y = generate_samples(15000)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 构建MLP模型
model = Sequential([
    Dense(64, activation='relu', input_shape=(5,)),
    Dense(32, activation='relu'),
    Dense(1)  # 输出单个结果（回归任务）
])

# 编译模型
model.compile(optimizer=Adam(learning_rate=0.001), loss='mse')

# 训练模型
print("开始训练...")
history = model.fit(X_train, y_train, epochs=50, batch_size=32, validation_split=0.1)

# 测试模型（用你的示例表达式）
test_expr = "2+3*10/9"
# 解析测试表达式
parts = []
current_num = ""
for char in test_expr.replace(" ", ""):
    if char.isdigit() or char == '.':
        current_num += char
    else:
        parts.append(float(current_num))
        parts.append(['+', '-', '*', '/'].index(char))
        current_num = ""
parts.append(float(current_num))
test_input = np.array([parts])

# 预测结果
pred_result = model.predict(test_input)[0][0]
# 计算真实结果
true_result = eval(test_expr)

print(f"\n测试表达式: {test_expr}")
print(f"神经网络预测结果: {pred_result:.4f}")
print(f"真实结果: {true_result:.4f}")
print(f"误差: {abs(pred_result - true_result):.4f}")

关键说明 #

• 运算符编码：将运算符转换为数字编码，让神经网络能理解不同运算类型。
• 数据多样性：生成大量随机样本，覆盖不同操作数和运算符组合，确保网络能泛化。
• 回归任务：四则运算的结果是连续值，所以用MSE损失函数，输出层无激活函数。
• 优先级处理：通过eval生成标签时自动遵循四则运算优先级，让网络学习到正确的运算逻辑。

如果需要处理更长的表达式，可以改用循环神经网络（LSTM）或Transformer来处理序列输入，这类模型更擅长处理变长的表达式序列。

内容的提问来源于stack exchange，提问作者krip