简介一套基于MATLAB的神经网络回归分析源码包围绕BP神经网络建模与预测展开同时可迁移至碳排放量等时间序列预测场景适合本科及以上阶段的课程设计、毕业设计或算法对比研究。资源共9个文件包含5个.m脚本、3个.xlsx数据表和1个.mat数据文件压缩包仅32KB轻量但结构完整m脚本负责模型训练、结果可视化与误差统计数据文件则提供原始样本与预处理后的输入变量。脚本中既有BP网络训练与预测主程序也有MSE、RMSE、MBE、MAE、R²等回归评价指标计算模块代码注释细致便于理解建模流程、调整参数并扩展为LSTM等模型进行对比实验。已有165人学习下载对希望从完整代码入手快速掌握回归预测实现细节的MATLAB使用者具有直接参考价值。1. 基于BP神经网络的回归分析为什么线性回归不够用时我转向了这个方案你手头有一批数据想用某个特征预测一个连续值比如按尺寸估价格、按工况估寿命。先想到线性回归跑出来测试集R²只有0.6残差图呈明显的弯曲。换多项式试试稍微好了点但一到边界样本就漂。这时你大概率需要一个能拟合任意非线性映射的工具BP神经网络就是最直接的选择——结构不复杂、原理透明、用NumPy就能写而且对中小规模表格数据的回归任务效果往往比很多“黑匣子”集成模型更可控。这篇笔记就是围绕“BP神经网络回归分析”展开的先用一个具体案例说明网络怎么搭、数据怎么喂再给出一份可复现的完整代码最后把我在调参过程中踩过的坑按“现象→原因→解决”列出来。适合刚接触神经网络但已经会Python和NumPy的读者也适合那些用线性模型碰壁、想找一个稳妥非线性方案的工程师。文章里所有代码都是完整可跑的数据用模拟方式生成你换成自己的表格数据就能用。2. BP神经网络回归网络结构、激活函数与数据预处理2.1 回归任务里的网络结构输入层、隐含层与输出层的设计逻辑BP神经网络解决回归问题的本质是构造一个从输入特征到目标值的非线性映射。网络分三层输入层节点数等于特征维度输出层节点数等于目标维度单目标回归就是1个节点中间夹着一层或多层隐含层。隐含层是“非线性能力”的来源——没有它网络不管叠多少层都等价于线性变换。先说输出层。回归任务的输出层一般不加激活函数或者说使用线性激活函数 y z这样输出范围不受限制能拟合任意实数目标。这是和分类任务最大的区别分类输出层多用Sigmoid或Softmax把输出压缩到(0,1)或(0,1)区间回归若照搬预测值永远出不了这个范围。做价格预测时目标值上亿输出层若带Sigmoid预测值封顶在1这属于方向性错误。隐含层的激活函数我常用Sigmoid或Tanh但近年实践下来推荐优先试Tanh。原因是Sigmoid输出均值不为0会导致下一层输入始终为正收敛变慢Tanh输出均值为0收敛更平稳。ReLU在回归任务里不是不能用但如果目标值本身有正有负ReLU的零区间会让某些神经元“死掉”梯度传不下去。表格数据回归这种中小规模任务Tanh是我默认的隐含层选择。隐含层节点数没有公式能一步算准。常见做法是先用经验值——输入维度加输出维度除以2再向上取整然后在这个数附近按2的倍数上下试探。节点太少网络欠拟合训练集误差都压不下去节点太多参数量大数据量不够时很容易过拟合。对几百到几千条样本的表格数据单隐含层通常就够两个隐含层只有在数据量上万且非线性很强时才值得尝试。2.2 数据归一化这是BP回归里最容易被跳过但影响最大的步骤BP神经网络依赖梯度下降更新权重而梯度的大小和特征的量纲强相关。假设特征A取值在0.01到0.1特征B取值在1000到100000初始权重下特征B对应的梯度可能比特征A大几个数量级。结果是网络在训练初期几乎只“看”大数值特征小数值特征的变化被淹没。这不是算法问题是输入尺度问题。归一化的两个主要选择是Min-Max缩放和Z-Score标准化。回归任务里我用Min-Max更多一些原因在于输出层是线性激活目标值缩放后网络更容易收敛Z-Score在特征分布近似正态时表现更好但如果数据里有极端离群点Z-Score会把正常样本压成一小团Min-Max虽然也会受离群点影响但边界更直观。对输入特征做Min-Max的公式是 x_scaled (x - x_min) / (x_max - x_min)把数据映射到[0,1]区间。目标值也做同样处理一个容易被忽视的点目标值的归一化必须在划分训练集和测试集之后进行或者在划分时单独统计训练集的min和max测试集用训练集的统计量来变换。如果把全量数据统一归一化再划分测试集的min和max信息已经渗入训练过程验证结果会偏乐观。这个坑我在第4章会再展开一次。归一化完成后网络的权重要用小的随机数初始化。常见做法是均匀分布在[-0.5, 0.5]或[-1, 1]之间也可以用Xavier初始化——按输入输出节点数调整缩放比例。权重全初始化为0会直接导致所有神经元同步更新网络无法学习不同特征权重过大则容易让神经元输出进入Tanh或Sigmoid的饱和区梯度消失。保持权重在较小的随机范围内是训练能正常启动的前提。2.3 训练流程拆解前向传播、误差计算与反向传播的三步循环BP的训练过程是一个前向、反向、更新权重的循环。前向传播输入数据从输入层进入经过隐含层的加权求和与激活函数再经过输出层的加权求和得到预测值。反向传播的意义在于计算预测值和真实值的误差然后把这个误差沿网络逐层回传用链式法则算出每个权重对误差的贡献最后按贡献大小调整权重。误差函数在回归任务里最常用均方误差 MSE mean((y_true - y_pred)²)。MSE对误差大的样本惩罚更重这既是优点也是缺点如果数据里有离群点MSE会让网络花大量能力去拟合离群点反而在多数正常样本上表现变差。遇到这种情况可以换平均绝对误差 MAE mean(|y_true - y_pred|)它对离群点不那么敏感。实践中我通常先用MSE如果训练曲线显示后期被个别样本拖着走再切换MAE。权重更新用梯度下降法公式是 w_new w_old - learning_rate * gradient。学习率是这里最需要手工调整的参数——想象你在山上往下走学习率是步子大小步子太大容易反复横跳甚至越过最低点步子太小则半天走不到目标位置。对BP网络做回归学习率的合理区间通常在0.001到0.1之间。我会先设0.01跑50轮观察损失是否震荡或有规律地发散再决定往哪个方向调整。训练循环的终止条件不能只看“训练完不完了”要看三个信号一是验证集误差是否已经不再下降二是训练集误差和验证集误差之间的距离是否在持续拉大拉大说明过拟合在加剧三是手头是否有足够时间让训练跑完预定迭代次数。提前停止Early Stopping的思路我们在第5章展开这里先记住一个原则训练集误差下降不代表模型变好验证集误差才是“考试成绩”。3. 完整代码实现用NumPy从零构建BP回归网络3.1 生成模拟回归数据非线性关系与噪声的设计为了展示“代码完整、数据齐全”我们用模拟数据来演示。模拟数据的好处是你可以控制真正的函数关系从而判断网络学到的逼近效果对不对。这里我构造一个非线性函数y 3 * sin(2 * x1) 0.5 * x2² - x3加上高斯噪声生成500条样本3个输入特征。import numpy as np import matplotlib.pyplot as plt np.random.seed(42) n_samples 500 x1 np.random.uniform(-3, 3, n_samples) x2 np.random.uniform(-2, 5, n_samples) x3 np.random.uniform(-4, 2, n_samples) # 模拟真实数据生成过程非线性组合加噪声 y_true_clean 3 * np.sin(2 * x1) 0.5 * x2**2 - x3 noise np.random.normal(0, 0.8, n_samples) y y_true_clean noise X np.column_stack((x1, x2, x3))生成的数据包含三个特征目标值有明显非线性。噪声的均值为0标准差0.8相对于信号幅度y的大致范围在-12到15之间属于中等噪声水平。种子固定为42保证每次运行结果一致方便对照。先把数据存入数组X和目标向量y后续所有操作都基于这两个变量。加载你自己的数据时只要保证X是二维数组样本数×特征数y是一维数组样本数或列向量格式就对得上。3.2 数据划分与归一化训练集、验证集、测试集的正确处理数据划分采用常见的做法70%训练、15%验证、15%测试。验证集用于观察训练过程中是否开始过拟合测试集用于最终评估模型能力。归一化的关键是要先在训练集上计算min和max然后用同一组参数去变换验证集和测试集。这一步做反了你的评估结果就失真了。from sklearn.model_selection import train_test_split from sklearn.preprocessing import MinMaxScaler X_train, X_temp, y_train, y_temp train_test_split(X, y, test_size0.3, random_state42) X_val, X_test, y_val, y_test train_test_split(X_temp, y_temp, test_size0.5, random_state42) # 在训练集上拟合scaler再用训练集的统计量变换验证集和测试集 scaler_X MinMaxScaler() scaler_X.fit(X_train) X_train_scaled scaler_X.transform(X_train) X_val_scaled scaler_X.transform(X_val) X_test_scaled scaler_X.transform(X_test) # 目标值同样处理方式一致 scaler_y MinMaxScaler() scaler_y.fit(y_train.reshape(-1, 1)) y_train_scaled scaler_y.transform(y_train.reshape(-1, 1)).ravel() y_val_scaled scaler_y.transform(y_val.reshape(-1, 1)).ravel() y_test_scaled scaler_y.transform(y_test.reshape(-1, 1)).ravel()train_test_split的test_size参数设为0.3先把30%的数据留出来再从这30%里切一半做验证、一半做测试最终比例就是70%训练、15%验证、15%测试。random_state固定后每次划分都相同。MinMaxScaler的fit方法只在训练集上执行transform方法会沿用fit阶段记录的min和max——这正是“测试集信息不泄漏”的正确做法你之后换成任何现成框架都是这个套路。3.3 实现BP神经网络类初始化、前向传播、反向传播class BPNetwork: def __init__(self, n_input, n_hidden, n_output, learning_rate0.01, momentum0.9): # 初始化权重和偏置小随机数避免对称性问题 self.W1 np.random.uniform(-0.5, 0.5, (n_input, n_hidden)) self.b1 np.zeros(n_hidden) self.W2 np.random.uniform(-0.5, 0.5, (n_hidden, n_output)) self.b2 np.zeros(n_output) self.lr learning_rate self.momentum momentum # 动量缓冲加速收敛并抑制震荡 self.vW1 np.zeros_like(self.W1) self.vb1 np.zeros_like(self.b1) self.vW2 np.zeros_like(self.W2) self.vb2 np.zeros_like(self.b2) self.loss_history [] def tanh(self, x): return np.tanh(x) def tanh_deriv(self, a): return 1.0 - a**2 def forward(self, X): # 前向传播输入层 - 隐含层 - 输出层 self.z1 np.dot(X, self.W1) self.b1 self.a1 self.tanh(self.z1) self.z2 np.dot(self.a1, self.W2) self.b2 self.y_pred self.z2 # 输出层线性激活 return self.y_pred def backward(self, X, y, y_pred): m X.shape[0] # 输出层误差梯度MSE的导数 delta2 (y_pred - y) / m # 隐含层的误差梯度用链式法则传导 delta1 np.dot(delta2, self.W2.T) * self.tanh_deriv(self.a1) # 计算各层梯度 grad_W2 np.dot(self.a1.T, delta2) grad_b2 np.sum(delta2, axis0) grad_W1 np.dot(X.T, delta1) grad_b1 np.sum(delta1, axis0) return grad_W1, grad_b1, grad_W2, grad_b2 def update_weights(self, grad_W1, grad_b1, grad_W2, grad_b2): # 带动量的梯度下降更新 self.vW1 self.momentum * self.vW1 - self.lr * grad_W1 self.W1 self.vW1 self.vb1 self.momentum * self.vb1 - self.lr * grad_b1 self.b1 self.vb1 self.vW2 self.momentum * self.vW2 - self.lr * grad_W2 self.W2 self.vW2 self.vb2 self.momentum * self.vb2 - self.lr * grad_b2 def train(self, X, y, epochs, batch_sizeNone): for epoch in range(epochs): if batch_size is None: # 全批量梯度下降所有样本计算一次梯度 self.forward(X) loss np.mean((self.y_pred - y)**2) grads self.backward(X, y, self.y_pred) self.update_weights(*grads) else: # 小批量梯度下降每次用一个batch的样本更新 indices np.random.permutation(len(X)) for i in range(0, len(X), batch_size): batch_idx indices[i:ibatch_size] X_batch X[batch_idx] y_batch y[batch_idx] self.forward(X_batch) loss_batch np.mean((self.y_pred - y_batch)**2) grads self.backward(X_batch, y_batch, self.y_pred) self.update_weights(*grads) self.forward(X) loss np.mean((self.y_pred - y)**2) self.loss_history.append(loss) if (epoch 1) % 100 0: print(fEpoch {epoch 1}, Loss: {loss:.6f}) def predict(self, X): return self.forward(X)代码里的forward方法记录了z1、a1、z2五个中间矩阵它们会在backward中继续使用所以不可省略。backward中delta2的计算除以了样本数m这是MSE求导的结果——除以m后梯度不会随批量大小变化学习率的设置在不同批量下才有可比性。动量项vW/vb保存了历史梯度的累积方向更新时在本次梯度方向和历史方向之间做插值可以抑制震荡加速收敛。batch_size为None时走全批量梯度下降给定数值时走小批量模式。这个类没有实现L2正则化权重可能过大导致过拟合。你可以在update_weights里对每个梯度加上一个权重的衰减项grad_W1 self.lr * self.W1 * reg_lambda其中reg_lambda是正则化系数通常取0.0001到0.01。加了它之后权重更新会额外受到“不要长太大”的拉力泛化能力通常更好。3.4 训练主流程设定超参数、运行训练、反归一化与评估# 固定随机种子确保结果可复现 np.random.seed(42) # 网络结构3个输入特征5个隐含节点1个输出 model BPNetwork(n_input3, n_hidden5, n_output1, learning_rate0.05, momentum0.9) # 训练3000轮使用全批量更新 model.train(X_train_scaled, y_train_scaled, epochs3000) # 在测试集上预测并将结果反归一化回原始尺度 y_pred_scaled model.predict(X_test_scaled).ravel() y_pred scaler_y.inverse_transform(y_pred_scaled.reshape(-1, 1)).ravel() # 计算评估指标 mse np.mean((y_test - y_pred)**2) mae np.mean(np.abs(y_test - y_pred)) # R²衡量模型解释了多少方差 ss_res np.sum((y_test - y_pred)**2) ss_tot np.sum((y_test - np.mean(y_test))**2) r2 1 - ss_res / ss_tot print(f测试集 MSE: {mse:.4f}) print(f测试集 MAE: {mae:.4f}) print(f测试集 R²: {r2:.4f}) # 绘制损失下降曲线 plt.figure(figsize(8, 5)) plt.plot(model.loss_history) plt.xlabel(Epoch) plt.ylabel(MSE Loss) plt.title(训练损失下降曲线) plt.grid(True) plt.show() # 绘制预测值-真实值散点理想情况下应贴合对角线 plt.figure(figsize(6, 6)) plt.scatter(y_test, y_pred, alpha0.6) plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], r--, lw2) plt.xlabel(真实值) plt.ylabel(预测值) plt.title(测试集预测效果) plt.grid(True) plt.show()反归一化这里容易出错网络输出的是缩放后的预测值要和原始尺度的真实值对比必须用scaler_y.inverse_transform转回去否则MSE和R²会被“缩放”欺骗。损失曲线的形状是最直观的调参信号——正常情况是单调下降后趋于平稳如果出现先降后升的“U型”曲线说明训练后期在过拟合。预测值-真实值散点图中点越集中在对角线附近越好如果整体呈弯曲的弧状说明网络没有完全学习到数据的非线性结构需要考虑增加隐含层节点数或换激活函数。4. BP回归避坑指南4个让模型翻车的常见问题与排查方法4.1 归一化信息泄漏训练还没开始模型就已经“作弊”了现象训练前把所有数据统一用MinMaxScaler归一化然后划分训练测试集。训练过程中验证集误差一直比预想低得多测试集R²在0.95以上但部署到真实数据上完全不行。把训练测试划分换成先划分后归一化同样的数据R²掉到0.7。原因全量归一化意味着scaler记录了测试集的范围信息测试集在训练阶段就被“见过”了。这等价于把答案的一部分写进了输入模型评估自然虚高。更隐蔽的情况是分开归一化但用了各自的统计量——训练用训练集min/max测试用测试集min/max这虽然避免了信息泄漏但训练和测试的特征尺度不一致模型在测试阶段的表现会退化。解决统一在训练集上fit验证集和测试集只transform。代码已在3.2节体现用Scaler对象的fit和transform分开调用而不是对全部数据调用fit_transform。换用Z-Score标准化时同理fit在训练集上做std和mean记录到scaler对象里。4.2 学习率设置不当损失函数震荡不降或直接爆炸为NaN现象损失在前几百轮里反复横跳不呈现单调下降的趋势更严重的是某个epoch之后损失变成NaN前面所有训练成果全部作废。把学习率从0.01改成0.001问题消失但收敛变得非常慢。原因学习率太大梯度每步都大大越过最优点的位置产生震荡如果越过之后进入了一个梯度特别陡峭的区域更新幅度越来越大数值直接溢出变成NaN——这是“爆炸”而非“发散”。学习率太小又没有足够的迭代轮数支撑训练结束得太早误差还很高。解决一个实用的排查策略是把学习率按10倍间隔试0.1、0.01、0.001。如果0.1震荡0.01稳定但偏慢0.001太慢说明合适的值在0.01和0.1之间取0.03再跑。观察损失曲线上每个epoch的下降幅度理想情况是前几百轮下降较快之后每轮下降幅度逐步减小。如果100轮后曲线还在大幅波动基本可以判定学习率偏大。4.3 过拟合误判验证集误差不再下降于是直接停止训练现象训练到第800轮时训练集损失还在缓慢下降验证集损失从第400轮开始就不再变化。模型在训练集上R²达到0.99在验证集上只有0.72。为此我提前终止训练但验证效果并没有改善。原因验证集损失停止下降往往意味着过拟合已经开始——模型在“背答案”而不是“学规律”。但这里有个隐蔽的区别如果验证损失只是“不再下降”而不上升可能只是模型容量恰好够用提前终止是正确的如果验证损失已经转而明显上升才说明了过拟合正在恶化。判断前者的练习把训练集损失和验证集损失画在同一个坐标系里——两条线之间的间距持续拉大就是过拟合信号两条线平行或收敛说明训练尚健康。解决不要只看验证损失是否下降来停止训练。正确做法是先记录一个“到目前为止最好的模型参数”——可以每100轮把W1、b1、W2、b2保存一份当验证损失连续200轮没有出现新低时回退到那个参数作为最终模型。这与第5章要讲的早停法本质相同。另一个思路是增加训练数据量如果有来源或减小网络容量——隐含层节点从8降到5通常会缓解过拟合。4.4 特征量纲极端差异下的训练缓慢某个特征单独“吞掉”了梯度现象数据包含年龄0到70和工资月薪几千到几万两个特征归一化后训练3000轮损失仍然很高。单独看预测结果模型对年龄的变化几乎无响应——不同年龄段的预测值几乎没有区别。原因归一化之后特征在[0,1]区间但由于工资的分布极端偏态少数人工资极高拉大了max归一化后大部分人的工资集中在0.05到0.3之间而年龄相对均匀分布。网络从梯度中得到的信号主要是“工资变化对目标的影响”“年龄变化的影响”相对微弱得多因此模型倾向于忽略年龄。这不是权重问题是数据分布问题。解决对偏态严重的特征改用Z-Score标准化或做对数变换。对数变换 y log(x) 可以把指数级分布变成近似均匀分布然后再做Min-Max。另一条路是把偏态特征做分箱后作为分类特征使用但这就改变了任务性质优先推荐对数变换。如果特征中同时包含均匀分布和偏态分布可以混合使用两种归一化方式偏态特征做logMin-Max均匀特征直接Min-Max。5. 从能跑到跑好早停法、动态学习率与残差验证的进阶技巧5.1 早停法让训练轮数不再是“拍脑袋”手写BP网络时epochs是一个需要反复试的值。设小了欠拟合设大了过拟合。早停法把“训练多少轮”变成一个自适应决策每50轮在验证集上计算一次损失保存当前最优权重当验证损失连续多个检查点没有刷新最低值时停止训练并回退到最优权重。best_loss float(inf) best_weights None patience 200 # 连续多少轮没有提升就停止 wait 0 for epoch in range(5000): model.train(X_train_scaled, y_train_scaled, epochs1) val_pred model.predict(X_val_scaled).ravel() val_loss np.mean((y_val_scaled - val_pred)**2) if val_loss best_loss: best_loss val_loss best_weights { W1: model.W1.copy(), b1: model.b1.copy(), W2: model.W2.copy(), b2: model.b2.copy() } wait 0 else: wait 1 if wait patience: print(f早停于 epoch {epoch}最优验证损失 {best_loss:.6f}) break # 恢复最优权重 model.W1, model.b1 best_weights[W1], best_weights[b1] model.W2, model.b2 best_weights[W2], best_weights[b2]copy方法拷贝的参数是独立的不会因为后续训练被修改——这里不能直接赋值引用。val_loss用验证集算而且验证集不参与权重更新否则早停本身就没有意义。patience设200意味着验证损失连续200轮没有新低就停这个值根据你的总训练轮数调整轮数越多patience可以设大一些。早停后权重已经恢复直接用model.predict就可以得到最终预测。5.2 动态学习率训练后期用小步长精调固定学习率有个尴尬前期需要大步长快速接近最优区域后期则需要小步长避免来回震荡。动态学习率解决了这个矛盾。我常用的是“指数衰减”策略每100轮把学习率乘以一个衰减系数比如0.95。3000轮下来学习率从初始的0.05衰减到大约0.02不到后期更新步长更细腻。一个更简单的替代方案是“阶梯衰减”在前500轮用0.05之后500轮用0.02再往后用0.01。优点是调试直观缺点是需要自己观察曲线找拐点。指数衰减的好处是无需手动干预坏处是一旦衰减过快后期学习能力变弱。我通常在跑5.1节早停法的同时配指数衰减前期快跑后期精调双管齐下。实现方式在train方法里给learning_rate加一个衰减系数参数每轮更新 self.lr * decay_rate。注意decay_rate是每轮的衰减率100轮0.95相当于每轮约0.9995。如果发现后期训练几乎不再有进展可以把decay_rate调大到0.98让学习率保持更高网络继续调整权重。5.3 残差图验证R²不够残差分布才算数的隐患排查R²能告诉你模型解释了多大比例的方法但它是“总和”指标会掩盖局部问题。一个典型的糟糕情况R²0.85但残差在目标值较大时严重偏正较小时严重偏负——这说明模型对高低值区域的拟合能力不一致R²反映的是平均水平。残差图是把每个样本的真实目标值和残差预测减真实画成散点。合格的模型残差应随机散布在0轴附近不呈系统性弯曲。如果残差随真实值增大而呈喇叭状扩散说明目标值的方差在变大模型对高值区间的预测不确定性更高。这时可以做两件事对目标值做对数变换缩小高值区间的方差或者在损失函数中按目标值大小加权。residuals y_test - y_pred plt.scatter(y_test, residuals, alpha0.6) plt.axhline(0, colorred, linestyle--, linewidth1.5) plt.xlabel(真实值) plt.ylabel(残差) plt.title(残差分布图) plt.grid(True) plt.show()直线参考线画在0处。如果散点明显的上下两层分得开往往意味着某个没被建模的分组因素存在——检查数据里有没有类别型特征没有做编码。如果散点整体偏离0说明模型存在系统性偏差先检查输出层是否加了激活函数——这是回归模型最常见的系统性偏差来源。5.4 网格搜索与稳健复现把你的调参经验沉淀成脚本手动调参容易陷入“这次改了学习率下次改了隐含节点但两者都变了没法判断是哪个起的作用”。更好的做法是把参数搜索写成一个自动脚本用简单网格搜索跑几轮让组合结果说话。我会固定数据划分和随机种子然后遍历learning_rate和n_hidden的组合。每次训练用早停结束记录验证集的最优损失。网格组合定下后再跑最终模型并在测试集评估。这样做的好处是结果可复现、可对比你后来再看这个项目的代码时能清楚知道最终参数是怎么选出来的。参数组合数控制在合理范围学习率取[0.1, 0.05, 0.01]隐含节点取[3, 5, 8]3×3共9组每组跑几千轮普通电脑几分钟内能跑完。跑完后把结果打印成表格——最优组合放进模型重新训练评估指标记录在项目里。这是我从一个前辈那里偷师来的习惯再小的项目也留一份“参数与指标”的记录半年后回看代码时不用重新摸索。我自己做回归项目时还有一个习惯模型训练完成后把W1、b1、W2、b2保存为numpy的.npz文件下次直接加载恢复预测不用重新训练。保存参数的同时把scaler_X和scaler_y也存下来否则你保存的网络权重根本没法用于新数据——新数据的归一化还需要同一组min和max。这三件套——网络权重、输入scaler、输出scaler——是一个可部署的最小模型单元。这需要用到的完整代码已经都在前面了希望帮到你。本文还有配套的精品资源点击获取