嘿，我来帮你捋捋这个问题！你的代码思路没问题，但几个关键细节没处理到位，导致模型没法很好地拟合正弦函数。我把问题点和修复方案整理如下：

核心问题分析 #

• 输入数据未做归一化：你的x是0到99的整数，范围跨度极大，但sin(x)的输出仅在[-1,1]之间。神经网络对这种尺度差异悬殊的输入非常不友好，很难学到有效的映射关系。
• 隐藏层参数写法不规范：虽然旧版TensorFlow可能兼容DNNRegressor([50,50])的写法，但显式指定hidden_units=[50,50]更清晰，也能避免潜在的参数解析问题。
• 默认激活函数不匹配周期性函数：DNNRegressor默认用ReLU作为隐藏层激活函数，ReLU是分段线性的，对于正弦这种连续周期性的非线性函数，拟合能力会受限，换成tanh会更合适。
• 训练步数不足：1000步对于学习正弦函数的周期性模式来说可能不够，需要增加训练步数或者加入早停机制。
• 未利用正弦函数的周期性：直接用原始的x值（0-99），但sin(x)的周期是2π≈6.28，把x转换成x % (2*np.pi)再归一化，能让模型更容易捕捉周期规律。

修改后的完整代码 #

import tensorflow as tf
import numpy as np

# 1. 预处理数据：归一化+利用周期性
x = np.arange(100)
# 先把x压缩到0-2π区间，再归一化到[-1,1]范围
x_normalized = (x % (2 * np.pi)) / np.pi - 1
y = np.sin(x)

# 2. 定义特征列
feature_column = tf.feature_column.numeric_column("variable")

# 3. 定义输入函数
train_input_fn = tf.estimator.inputs.numpy_input_fn(
    x={"variable": x_normalized},
    y=y,
    num_epochs=None,
    shuffle=True
)
test_input_fn = tf.estimator.inputs.numpy_input_fn(
    x={"variable": x_normalized},
    num_epochs=1,
    shuffle=False
)

# 4. 初始化DNNRegressor，指定激活函数和隐藏层
estimator = tf.estimator.DNNRegressor(
    hidden_units=[64, 64],  # 显式指定hidden_units参数
    feature_columns=[feature_column],
    activation_fn=tf.nn.tanh  # 换成tanh激活函数，适配周期性函数
)

# 5. 增加训练步数
estimator.train(input_fn=train_input_fn, steps=5000)

# 可选：查看前10组预测结果对比
predictions = estimator.predict(input_fn=test_input_fn)
predicted_values = [p['predictions'][0] for p in predictions]
print("真实值前10个：", y[:10])
print("预测值前10个：", [round(v, 4) for v in predicted_values[:10]])

额外调试提示 #

• 如果拟合效果仍不理想，可以尝试调整隐藏层规模（比如改成[128,128]）或者增加隐藏层数。
• 可以加入早停机制，用tf.estimator.experimental.stop_if_no_decrease_hook避免过拟合，同时自动终止无效训练。
• 调试阶段可以尝试把x的正弦、余弦值作为额外特征喂给模型，相当于直接给模型提供周期信息，快速验证拟合逻辑是否正确。

内容的提问来源于stack exchange，提问作者wei liu