为何无法用TensorFlow预测三次方程？如何修改代码解决？

你之前使用的单层Dense模型是线性模型，只能学习输入与输出之间的线性映射关系，而三次方程属于高度非线性函数，因此无法准确拟合。以下两种方案可解决该问题：

方案1：构建带非线性激活的深层神经网络 #

通过添加隐藏层并引入非线性激活函数，让模型具备学习复杂非线性关系的能力，同时优化训练数据和优化器提升效果：

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import numpy as np

# 扩充训练数据范围与数量，覆盖正负区间，让模型学习完整函数趋势
xs = np.array([-5.0, -4.0, -3.0, -2.0, -1.0, 0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0], dtype=float)
# 直接用公式生成标签，避免手动输入误差
ys = 3 * xs**3 + 5 * xs**2 + 10

# 构建带隐藏层的非线性模型
model = Sequential([
    Dense(units=16, input_shape=[1], activation='relu'),  # 第一隐藏层，ReLU激活引入非线性
    Dense(units=16, activation='relu'),                  # 第二隐藏层，增强模型表达能力
    Dense(units=1)                                       # 输出层，回归任务用线性激活
])

# 使用Adam优化器，自适应学习率比SGD更适合复杂模型的收敛
model.compile(optimizer='adam', loss='mean_squared_error')

# 训练模型，verbose=1可查看训练过程
model.fit(xs, ys, epochs=1000, verbose=1)

# 测试预测
print("x=11的预测结果：", model.predict([11.0]))
print("x=0的预测结果：", model.predict([0.0]))

关键改动说明 #

• 扩充训练数据：原数据仅覆盖小范围正数值，补充负数和更多样本后，模型能学习到完整的三次函数曲线特征
• 添加非线性隐藏层：ReLU激活函数打破线性限制，多层结构提升模型对复杂关系的拟合能力
• 更换优化器：Adam优化器自带自适应学习率调整，比SGD更快收敛到最优解
• 自动生成标签：通过公式计算ys，避免手动输入数据错误

方案2：手动构造多项式特征 #

三次方程本质是x、x²、x³的线性组合，因此可手动将输入扩展为多项式特征，再用线性模型拟合：

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import numpy as np

# 准备基础输入数据
xs = np.array([-5.0, -4.0, -3.0, -2.0, -1.0, 0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0], dtype=float)
# 构造多项式特征：合并x、x²、x³为3维输入
xs_poly = np.column_stack([xs, xs**2, xs**3])
# 生成标签数据
ys = 3 * xs**3 + 5 * xs**2 + 10

# 用线性模型拟合多项式特征（此时问题已转化为线性回归）
model = Sequential([
    Dense(units=1, input_shape=[3])  # 输入维度对应3个多项式特征
])

model.compile(optimizer='sgd', loss='mean_squared_error')
model.fit(xs_poly, ys, epochs=400, verbose=1)

# 预测时需构造对应多项式特征
test_x = 11.0
test_feature = np.array([[test_x, test_x**2, test_x**3]])
print("x=11的预测结果：", model.predict(test_feature))

test_x_0 = 0.0
test_feature_0 = np.array([[test_x_0, test_x_0**2, test_x_0**3]])
print("x=0的预测结果：", model.predict(test_feature_0))

方案优势 #

模型结构简单，训练速度快，适合明确知道函数形式的场景，直接通过特征工程将非线性问题转化为线性问题解决。

内容的提问来源于stack exchange，提问作者Aminadav Glickshtein