基于TensorFlow实现数字加法猜测器遇报错请求解决

嘿，我懂你想做的事儿——用TensorFlow搭一个能预测两个数字相加结果的小模型，拿CSV里的加法等式数据训练，之后能输出像4+4=8、6+6=12这类结果对吧？我之前也捣鼓过类似的小项目，给你一套完整的可运行代码，再拆解下关键步骤，帮你解决代码报错的问题。

首先得先明确你的CSV数据格式：别存成“1+1=2”这种字符串格式，模型需要的是数值型输入，建议把CSV改成三列：val1, val2, sum，每行数据像这样：

val1,val2,sum
1,1,2
2,3,5
5,7,12
3,4,7
...

如果你的原始CSV是“1+1=2”这种格式，我也在代码里加了自动拆分的处理逻辑，不用手动改数据。

完整可运行代码 #

import tensorflow as tf
import pandas as pd
import numpy as np

# 1. 加载并预处理数据
# 情况1：如果CSV是已经拆分好的val1,val2,sum列
# df = pd.read_csv('your_data.csv')

# 情况2：如果CSV里是"1+1=2"这种字符串格式，用下面的代码拆分
df = pd.read_csv('your_data.csv', header=None, names=['equation'])
df['val1'] = df['equation'].apply(lambda x: int(x.split('+')[0]))
df['val2'] = df['equation'].apply(lambda x: int(x.split('+')[1].split('=')[0]))
df['sum'] = df['equation'].apply(lambda x: int(x.split('=')[1]))

# 拆分特征（输入：两个数字）和标签（输出：和）
X = df[['val1', 'val2']].values
y = df['sum'].values

# 2. 构建模型（加法是线性关系，简单的全连接层足够）
model = tf.keras.Sequential([
    tf.keras.layers.Dense(8, activation='relu', input_shape=(2,)),
    tf.keras.layers.Dense(1)  # 输出层，直接输出数值
])

# 3. 编译模型
model.compile(optimizer='adam', loss='mean_squared_error', metrics=['mae'])

# 4. 训练模型
model.fit(X, y, epochs=50, batch_size=4, verbose=1)

# 5. 测试预测
test_cases = np.array([[4,4], [6,6], [9,3], [15,20]])
predictions = model.predict(test_cases)

for i, (val1, val2) in enumerate(test_cases):
    print(f"{val1} + {val2} = {int(round(predictions[i][0]))}")

关键步骤解释 #

• 数据预处理：不管你的CSV是哪种格式，最终都要转换成模型能识别的数值特征（两个输入数字）和标签（它们的和）。如果直接用“1+1=2”这种字符串喂给模型，它根本没法处理，这大概率是你之前报错的核心原因。
• 模型结构：加法是非常简单的线性关系，完全不用复杂的神经网络。这里用了一个小隐藏层加输出层，足够完美拟合加法规律了。
• 编译与训练：用mean_squared_error作为损失函数（回归任务的标准选择），adam优化器能高效调整参数。训练50个epoch足够让模型彻底学会加法。
• 预测部分：把测试的数字对转换成二维数组（模型要求批量输入），预测后用round和int把结果转成整数，就得到你想要的直观格式了。

常见报错排查 #

• 如果出现数据类型错误：检查CSV里有没有非数值字符，或者预处理时有没有正确拆分出数字。
• 如果出现输入形状不匹配：确保输入给模型的X是二维数组（每行是两个数字），比如[[1,1], [2,3]]而不是一维数组。
• 如果预测结果不准：可以试试增加训练epoch数，或者调整隐藏层的神经元数量（比如改成16个）。

内容的提问来源于stack exchange，提问作者someuser1