基于蓝牙信号的2输出坐标预测神经网络改造及预测方法问询

问题拆解 #

你现在面临两个核心问题：

1. 把现有网络改造成输出x、y坐标的回归网络（因为坐标是连续值，属于回归任务，不是分类）
2. 正确实现predict方法来验证模型的预测结果

先梳理下你当前代码里的几个关键问题：

• 权重/偏置定义错误：直接在tf.matmul里写w1 = [self.num_input, 256]是无效的，必须用tf.Variable定义可训练参数
• 损失函数选错了：softmax_cross_entropy_with_logits_v2是给分类任务用的，回归任务该用均方误差（MSE）
• 输出层不需要softmax：回归任务输出连续值，用线性激活即可

修正后的完整代码 #

下面是调整后的可运行代码，我标注了关键修改点：

import tensorflow as tf
import numpy as np

class Network: 
    def __init__(self, input_data, labels, learning_rate=0.001, batch_size=32): 
        self.input = input_data 
        self.labels = labels 
        self.num_input = input_data.shape[1] 
        self.num_output = labels.shape[1]  # 自动适配2输出，因为你的labels是[N,2]格式
        self.learning_rate = learning_rate
        self.batch_size = batch_size
        self.numpy_input = np.array(input_data)
        self.numpy_labels = np.array(labels)

        # 1. 定义输入输出占位符
        self.X = tf.placeholder("float", [None, self.num_input]) 
        self.Y = tf.placeholder("float", [None, self.num_output]) 

        # 2. 工具函数：初始化可训练的权重和偏置（关键修正）
        def weight_variable(shape):
            return tf.Variable(tf.random_normal(shape, stddev=0.01))
        
        def bias_variable(shape):
            return tf.Variable(tf.constant(0.1, shape=shape))
        
        # 定义各层参数，这里保留你提到的5层结构（示例简化为2层，你可以自行扩展）
        w1 = weight_variable([self.num_input, 256])
        b1 = bias_variable([256])
        w2 = weight_variable([256, 128])
        b2 = bias_variable([128])
        w3 = weight_variable([128, 64])
        b3 = bias_variable([64])
        w4 = weight_variable([64, 32])
        b4 = bias_variable([32])
        w5 = weight_variable([32, 128])
        b5 = bias_variable([128])
        w_last = weight_variable([128, self.num_output])
        b_last = bias_variable([self.num_output])

        # 3. 构建网络层，隐藏层用relu激活
        self.layer_1 = tf.nn.relu(tf.add(tf.matmul(self.X, w1), b1))
        self.layer_2 = tf.nn.relu(tf.add(tf.matmul(self.layer_1, w2), b2))
        self.layer_3 = tf.nn.relu(tf.add(tf.matmul(self.layer_2, w3), b3))
        self.layer_4 = tf.nn.relu(tf.add(tf.matmul(self.layer_3, w4), b4))
        self.layer_5 = tf.nn.relu(tf.add(tf.matmul(self.layer_4, w5), b5))
        # 输出层：回归任务用线性激活，不需要softmax
        self.lastLayer = tf.add(tf.matmul(self.layer_5, w_last), b_last) 

        # 4. 损失函数替换为均方误差（适配回归任务）
        self.loss_op = tf.reduce_mean(tf.square(self.lastLayer - self.Y)) 
        self.optimizer = tf.train.AdamOptimizer(learning_rate=self.learning_rate) 
        self.train_op = self.optimizer.minimize(self.loss_op) 

        # 会话持久化：避免训练结束后会话关闭无法预测
        self.sess = tf.Session()
        self.sess.run(tf.global_variables_initializer())

    def random_batch(self, x, y, batch_size):
        # 随机批量采样的辅助方法
        idx = np.random.choice(len(x), batch_size, replace=False)
        return x[idx], y[idx]

    def train(self, epochs=500): 
        for step in range(1, epochs+1): 
            batch_x, batch_y = self.random_batch(self.numpy_input, self.numpy_labels, self.batch_size) 
            _, loss = self.sess.run([self.train_op, self.loss_op], feed_dict={self.X: batch_x, self.Y: batch_y})
            # 每100步打印损失，监控训练进度
            if step % 100 == 0:
                print(f"Step {step}, 当前损失: {loss:.4f}")

    def predict(self, test_input): 
        # 实现预测逻辑：输入测试数据，返回[N,2]的坐标预测结果
        prediction = self.sess.run(self.lastLayer, feed_dict={self.X: test_input})
        return prediction

# ------------------- 测试用例 -------------------
if __name__ == "__main__":
    # 模拟你的输入和标签数据
    train_input = np.array([[50,35,21],[40,36,25],[20,5,-5],[35,28,18],[45,32,22]])
    train_labels = np.array([[10,2], [10,2], [4,0], [8,3], [11,1]])

    # 初始化网络并训练
    model = Network(train_input, train_labels)
    model.train(epochs=500)

    # 测试预测
    test_input = np.array([[42,30,19], [22,8,-3]])
    predictions = model.predict(test_input)
    
    # 打印结果
    for i in range(len(predictions)):
        print(f"测试输入: {test_input[i]}, 预测坐标: ({predictions[i][0]:.2f}, {predictions[i][1]:.2f})")

关键修改说明 #

1. 参数初始化修正：用tf.Variable定义可训练的权重和偏置，这是TensorFlow构建可训练模型的标准方式，原来的写法会导致参数无法被优化。
2. 损失函数替换：把分类用的交叉熵损失换成回归任务的均方误差，因为坐标是连续值，分类损失完全不适用。
3. 输出层调整：回归任务不需要激活函数，直接输出原始计算结果即可。
4. 会话管理优化：把会话创建移到__init__中，避免训练结束后会话关闭导致无法预测。
5. Predict方法实现：通过sess.run(self.lastLayer, feed_dict={self.X: test_input})获取预测结果，返回的是[N,2]数组，每个元素对应x、y坐标。

额外建议 #

• 数据量要足够：当前示例数据太少，实际训练需要更多样本才能让模型学到信号强度和坐标的映射关系。
• 数据预处理：建议对输入的信号强度做归一化（比如缩放到0-1区间），能大幅提升模型收敛速度。
• 网络结构调优：可以尝试调整隐藏层数量、神经元个数，或者更换激活函数（比如LeakyReLU）来优化性能。

内容的提问来源于stack exchange，提问作者Christian