基于Python/Keras/TensorFlow实现猜数字AI的机器学习入门求助

这个项目我之前写过同逻辑的练手demo，完全适配入门阶段的学习节奏，不用找现成参考，按下面的路径走就行，别一开始就硬上Keras、TensorFlow堆复杂度：

• 第一步先搭通无学习的基础交互逻辑
  先把核心猜数流程跑通：AI每次输出猜测值，用户仅需反馈「猜大了/猜小了/猜对了」，程序根据反馈自动缩小可选数值区间。纯二分策略在1-10区间的最坏猜中次数是4次，刚好留了概率优化的空间，能压到3次以内。
  基础逻辑的极简代码骨架可以参考：

  # 初始化区间边界
  low, high = 1, 10
  def plain_guess():
      # 无策略时默认取区间中间值
      return (low + high) // 2
  

• 第二步加用户选号偏好学习逻辑，这步根本不需要深度学习
  你要的「学习高频选号规律优先猜高概率值」，本质是简单的频次统计问题：给1-10每个数字维护一个权重计数器，用户每次选定的数字对应权重+1，每次猜数时，先从当前反馈缩小后的合法区间里，挑权重最高的数字输出，而不是死板取二分中间值。
  比如用户历史选号里7出现的次数最多，第一次猜就直接出7，大概率1次命中，哪怕第一次没中，结合后续的大小反馈缩小范围，完全能稳定做到3次内猜中。这部分逻辑不到30行代码，还能帮你直观理解机器学习「从历史数据统计规律做预测」的核心逻辑，比上来就搭神经网络友好太多。
• 第三步等统计版本跑通验证效果后，再换Keras/TensorFlow实现深度学习版本
  这时候你只需要把用户的历史选号序列作为输入，下一次选择的数字作为分类标签，搭一个最简单的全连接分类网络即可：输入层维度设为你要参考的历史选号长度（比如取最近10次选号作为参考），输出层放10个神经元对应1-10每个数字的选中概率，用softmax激活，损失函数选多分类交叉熵就行，训练完成后每次取合法区间内概率最高的数字猜测即可。

入门练手别为了凑技术栈硬上复杂度，这个场景下简单频次统计的效果，比小样本训练出来的神经网络效果还好，先跑通最小可用版本再迭代，比一开始就卡环境、调模型参数效率高太多。

内容的提问来源于stack exchange，提问作者Pixel Coin