之前，我们从三好学生成绩问题开始，设计出了解决该问题的神经网络模型，但是这个模型更多的是从一般的思维方式来设计的，这与神经网络通常设计中的思路并不一致，因此本文章，我们来看看如何优化该模型，让它的逻辑更清晰、运行更高效。

全部代码

import tensorflow as tf

tf.compat.v1.disable_eager_execution()

x = tf.compat.v1.placeholder(shape=[3], dtype=tf.float32)
yTrain = tf.compat.v1.placeholder(shape=[], dtype=tf.float32)

w = tf.Variable(tf.zeros([3]), dtype=tf.float32)

n = x * w

y = tf.reduce_sum(n)

loss = tf.abs(y - yTrain)

optimizer = tf.compat.v1.train.RMSPropOptimizer(0.001)

train = optimizer.minimize(loss)

sess = tf.compat.v1.Session()

init = tf.compat.v1.global_variables_initializer()

sess.run(init)

for i in range(5000):
    result = sess.run([train, x, w, y, yTrain, loss], feed_dict={x: [90, 80, 70], yTrain: 85})
    print(result)

    result = sess.run([train, x, w, y, yTrain, loss], feed_dict={x:[98, 95, 87], yTrain: 96})
    print(result)

代码讲解

之前设计的神经网络模型中，把学生的德育、智育、体育3项分数分别对应x1、x2、x3这了个输入层的节点，这样本身没有问题，但是假设又增加了一个艺术分数，那么就需要在输入层增加一个x4节点，在隐藏层对应的也要增加一个n4节点。也就是说，输入数据改变时，即使整套逻辑没有变，也要去修改整个网络模型，比较麻烦。

另外，节点数多了也会让模型图看起来比较复杂。所以在通常的神经网络中，很多时候会把这种串的数据组织成一个 “向量”来送入神经网络进行计算。这里的“向量”与数学几何中的向量概念稍有不同，就是指一串数字，在程序中用一个数组来表示，例如，三好学生成绩问题中第一个学生的3项分数可以用[90, 80, 70]这样一个数组就表示出来了。数组是有顺序的，可以约定第一项代表德育分、第二项代表智育分、第三项代表体育分。向量中有几个数字，一般就把它叫作几“维”的向量，例如刚才这个向量就是一个三维向量。