TensorFlow中RBF网络实现问题：如何计算输入与质心的欧氏距离

嘿，我看你现在的代码还停留在全连接层的思路上，得调整下才能贴合RBF网络的核心逻辑——先计算输入与质心的欧氏距离，再通过径向基函数转换，最后做线性输出。我帮你一步步修改和补充代码：

1. 修正质心变量的定义 #

首先，RBF网络的第一层核心是质心，每个质心的维度要和输入x_data的维度一致（这里是3维），数量等于你设置的first_layer_nodes。所以把原来的A1换成质心变量：

import tensorflow as tf

# 假设你已经定义了第一层节点数，比如设为10
first_layer_nodes = 10

x_data = tf.placeholder(shape=[None, 3], dtype=tf.float32)
y_target = tf.placeholder(shape=[None, 1], dtype=tf.float32)

# 质心变量：[质心数量, 输入维度]
centroids = tf.Variable(tf.random_normal(shape=[first_layer_nodes, 3]))
# 径向基函数的gamma参数（可训练或设为超参数，这里设为可训练）
gamma = tf.Variable(tf.random_normal(shape=[first_layer_nodes]))
# 第二层线性权重：[质心数量, 输出维度]
A2 = tf.Variable(tf.random_normal(shape=[first_layer_nodes, 1]))

2. 计算输入与质心的欧氏距离 #

利用TensorFlow的广播机制，批量计算每个输入样本到所有质心的欧氏距离：

# 扩展维度，让x_data和centroids可以广播计算
# x_data扩展后形状：[样本数, 1, 输入维度]
x_expanded = tf.expand_dims(x_data, axis=1)
# centroids扩展后形状：[1, 质心数量, 输入维度]
centroids_expanded = tf.expand_dims(centroids, axis=0)

# 计算欧氏距离：先算差的平方和，再开根号
distances = tf.sqrt(tf.reduce_sum(tf.square(x_expanded - centroids_expanded), axis=2))

这里distances的形状是[样本数, 质心数量]，对应每个样本到每个质心的距离。

3. 应用径向基函数（以高斯函数为例） #

把距离转换成RBF的激活输出，常用的高斯RBF公式是：$\phi(d) = e^{-\gamma d^2}$，代码实现如下：

# 计算RBF输出：[样本数, 质心数量]
rbf_output = tf.exp(-gamma * tf.square(distances))

4. 构建最终输出层 #

把RBF的输出和第二层权重做线性组合，得到网络的预测值：

# 最终预测：[样本数, 1]
y_pred = tf.matmul(rbf_output, A2)

补充训练相关的代码（可选） #

接下来你就可以定义损失函数和优化器来训练了，比如用均方误差：

loss = tf.reduce_mean(tf.square(y_pred - y_target))
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01)
train_step = optimizer.minimize(loss)

这样整个RBF网络的核心逻辑就通了，关键是把原来的全连接权重换成质心，先计算距离再做RBF转换，而不是直接做矩阵乘法~

内容的提问来源于stack exchange，提问作者SzateX