簡介這份資源是用于人工神經(jīng)網(wǎng)絡ANN預測分析的MATLAB程序文件面向希望通過實例快速掌握ANN建模流程的初學者和從事數(shù)據(jù)預測的分析人員文件以單個ANN.m腳本實現(xiàn)了從網(wǎng)絡結(jié)構(gòu)定義、訓練參數(shù)配置到數(shù)據(jù)預測輸出的完整鏈路特別適合在回歸、時間序列等預測場景中理解ANN的實際應用。資源包為RAR格式總大小僅1KB內(nèi)含1個MATLAB腳本文件代碼精簡、無多余依賴便于直接運行、閱讀和二次修改目前已有195人學習/下載可作為一個輕量級的入門預測示例。通過該文件讀者可以系統(tǒng)接觸神經(jīng)元模型、反向傳播與梯度下降、激活函數(shù)選擇、損失函數(shù)與優(yōu)化器配置等核心知識點并對照代碼掌握數(shù)據(jù)預處理、模型訓練、預測結(jié)果評估及參數(shù)調(diào)優(yōu)的完整步驟內(nèi)容還覆蓋了均方誤差、交叉熵、Adam與SGD等常用技術(shù)與超參數(shù)調(diào)整策略。雖然體積不大但集中呈現(xiàn)了構(gòu)建一個可運行ANN預測模型所需的關(guān)鍵技術(shù)要點對鞏固理論基礎和上手實踐均有參考價值。1. 拿到 ANN.rar 先別急著解壓先看清這個預測包是什么來路客戶甩過來一個 ANN.rar說這是上一個人留下的神經(jīng)網(wǎng)絡預測程序讓你跑通、改參數(shù)、出預測結(jié)果——做預測的工程師隔三差五就會撞上這種事。這個 rar 里通常打包了解壓即用的 ANN 預測項目訓練腳本、原始數(shù)據(jù)運氣好還有訓練好的模型權(quán)重。它對應的問題非常具體拿到別人分享的人工神經(jīng)網(wǎng)絡預測代碼怎么在最短時間內(nèi)看懂、跑通、調(diào)好而不是從零搭 BP 或 MLP。適合正在復現(xiàn) ANN 預測項目的從業(yè)者也適合要把老 MATLAB 預測程序遷移到 Python 的人。下面按我自己的復現(xiàn)順序從解壓一路寫到調(diào)參和排錯。2. 解壓與文件盤點偽加密、亂碼和四類文件角色2.1 遇密碼別急著破解先判斷是偽加密還是真密碼雙擊 rar 彈密碼框是 ANN.rar 類分享包最常見的第一個坎。很多人第一反應是找密碼破解工具但我不建議這么干——先花兩分鐘判斷它是不是偽加密。所謂 rar 偽加密是指壓縮包頭部被改過加密標志位解壓軟件以為它加密了實際數(shù)據(jù)區(qū)根本沒加密。它的典型現(xiàn)象是WinRAR 打開就要求輸密碼但包的注釋、文件名、README 里完全沒提密碼你用任何工具去跑密碼永遠跑不出來因為根本沒有密碼位可破。檢測方法很簡單# lsar 是 The Unarchiver 的命令行版macOS/Linux 下常用 lsar ANN.rar # 手頭有 7-Zip 的話直接列包內(nèi)容 7z l ANN.rar關(guān)鍵看輸出如果lsar或7z l能正常列出內(nèi)部文件名和大小但真正解壓時又要求密碼那基本可以判定是偽加密。這種包不需要破密碼換一個能忽略加密標志位的解壓器直接解即可比如 macOS 上的 The Unarchiver或者用 7-Zip 的強制模式。反過來如果列文件這一步就被卡住、連文件名都看不到那才是真加密老老實實去翻分享者給的注釋或說明文件。提示分享包的習慣是在壓縮注釋里寫密碼常見格式是“解壓密碼xxx”或一串網(wǎng)址。解壓前先把注釋面板打開看一眼別在偽加密上浪費半小時。另外注意分卷包ANN.part1.rar 這類名字意味著文件被拆成多卷必須把所有分卷放在同一目錄再解壓缺一卷會直接報 CRC 錯誤。這個和偽加密無關(guān)但包一多最容易漏。2.2 按擴展名給文件分類.m、.py、.mat、.csv 各自干什么解壓后別急著雙擊腳本先做一次文件盤點。我會用文件管理器按擴展名分組或者直接看終端輸出7z l ANN.rar find . -type f | sed s/.*\.// | sort | uniq -c這行命令統(tǒng)計包內(nèi)各擴展名的文件數(shù)量一眼就能判斷項目技術(shù)棧。常見的組合大致是四種擴展名文件角色處理方式.mMATLAB 腳本或函數(shù)需要 MATLAB 運行或人工翻譯成 Python.matMATLAB 數(shù)據(jù)文件用 scipy.io.loadmat 讀入 Python.pyPython 訓練/預測腳本直接跑或改參數(shù)后跑.csv / .xlsx原始數(shù)據(jù)檢查表頭、時間列、缺失值.h5 / .pkl / .joblib訓練好的模型權(quán)重加載時注意版本匹配見 5.4.json / .yaml超參數(shù)配置只讀改了要同步改訓練腳本血淚經(jīng)驗.mat文件在 Python 里讀取有一個固定的坑——MATLAB 結(jié)構(gòu)化存儲的變量取出來后往往要多套一層下標。常見做法是先打印再提數(shù)據(jù)import scipy.io mat scipy.io.loadmat(data.mat) print(mat.keys()) # 先看變量名有哪些 # 如果 train_x 是 MATLAB struct取出后 dtype 是 object需要再解一層 X mat[train_x][0][0] if mat[train_x].dtype object else mat[train_x] print(X.shape) # 看到形狀才能判斷維度方向很多人卡在這一步就是因為loadmat讀出來的 shape 是(1, n)或(1, 1)而不是想要的(n_samples, n_features)于是后面全亂套。先打印 shape、dtype、ndim再動手能省掉一小時排查。2.3 三個動不得的文件模型權(quán)重、歸一化參數(shù)、樣本順序盤完文件后有三樣東西我會明確標上“只讀”誰改誰翻車。第一是模型權(quán)重文件.h5 / .pkl / .joblib。這里面的數(shù)值是訓練好的連接權(quán)值任何手工改動都會讓模型靜默失效——不報錯但預測結(jié)果變成一堆亂數(shù)。要調(diào)模型就重新訓練別去改權(quán)重。第二是歸一化參數(shù)。很多老包里會把訓練時算好的均值和方差單獨存成變量比如xmean、xstd或者scaler.pkl。預測階段必須沿用這套參數(shù)絕對不能讀入新數(shù)據(jù)后重新 fit。原因見 5.1簡單說就是重新 fit 等于把測試集信息混進了訓練流程。第三是樣本順序。時序預測的數(shù)據(jù)行順序就是時間順序。對 CSV 做排序、去重、或者不小心按行打亂滑窗構(gòu)造出的訓練樣本會整體錯位模型學到的全是噪聲。如果包內(nèi)數(shù)據(jù)是日頻或小時頻的序列我建議先復制一份原始文件做備份所有清洗操作都在副本上進行。這三條注意到位解壓和盤點階段就算安全通過。3. 摸清數(shù)據(jù)流從入口腳本到輸入輸出對齊3.1 找主干腳本文件名、函數(shù)名和注釋里的三個線索解壓完成后下一步是快速定位誰是入口腳本。一個包含十幾個文件的預測包里只有一到兩個文件是主干其余要么是工具函數(shù)要么是舊版本備份。我一般按三個線索找先看文件名。main.m、demo.m、run_ann.m、train.py、predict.py這種名字幾乎都是入口。沒有明顯入口時按文件修改時間排序最近修改的那個通常是作者最后跑通的版本。再看函數(shù)名。在 .m 或 .py 文件里搜索function或def關(guān)鍵字帶predict、forecast、train、ann的函數(shù)就是核心。比如 MATLAB 里function y ann_predict(x, net)這是入口里被調(diào)用的關(guān)鍵函數(shù)。最后看注釋。老工程師寫 MATLAB 預測程序有個習慣文件頭部會寫一段“本程序使用 BP 神經(jīng)網(wǎng)絡對 XX 數(shù)據(jù)進行預測運行前請先加載 XX.mat”。這句話直接告訴你要不要預處理、加載哪個數(shù)據(jù)文件。找到入口后先別急著運行。用文本編輯器打開按順序讀一遍數(shù)據(jù)和模型調(diào)用的位置把“加載數(shù)據(jù) → 歸一化 → 訓練 → 預測 → 反歸一化 → 輸出”這條數(shù)據(jù)流畫出來。這一遍讀明白后面改參數(shù)才有方向。3.2 MATLAB 轉(zhuǎn) Python 的維度陷阱行是樣本還是列是樣本ANN.rar 這類包相當一部分是 MATLAB 項目。MATLAB 是列優(yōu)先語言矩陣存儲按列連續(xù)所以老代碼里最常見的組織方式是“每列一個樣本”X的形狀是(特征數(shù), 樣本數(shù))y是(1, 樣本數(shù))。而 Python 的 sklearn 和大多數(shù)深度學習框架都約定“每行一個樣本”X形狀是(樣本數(shù), 特征數(shù))。這個差異是遷移時翻車率最高的點沒有之一。從 .mat 里讀數(shù)據(jù)后我做的第一件事永遠是print(X shape:, X.shape) # 比如 (5, 1000) print(y shape:, y.shape) # 比如 (1, 1000)如果 X 是(5, 1000)5 個特征、1000 個樣本而你的 Python 模型要求(1000, 5)直接轉(zhuǎn)置X X.T # (1000, 5) y y.ravel() # (1000,)判斷依據(jù)不是形狀本身而是語義哪個維度數(shù)值大且接近樣本量哪個就是樣本維。有時候 .mat 里的 X 是(1000, 5)說明作者已經(jīng)整理成行樣本了那就不需要轉(zhuǎn)置。最忌諱的是不看語義、機械地認為“MATLAB 的一定要轉(zhuǎn)置”兩個方向都吃過虧之后我現(xiàn)在一律先打印形狀再決定。3.3 歸一化與反歸一化定位預測值量綱對不上的根源ANN 預測結(jié)果最常見的毛病是“量綱對不上”模型輸出 0.2但真實值應該是 2000或者預測曲線是一條平坦的直線貼近某個常數(shù)。十有八九是歸一化和反歸一化沒配對。MATLAB 老代碼里歸一化通常用mapminmax函數(shù)它默認把數(shù)據(jù)映射到[-1, 1]區(qū)間[xn, ps] mapminmax(x); % ps 里存了 xmin, xmax yn sim(net, xn); % 網(wǎng)絡預測 y mapminmax(reverse, yn, ps); % 反歸一化對應的反歸一化數(shù)學公式是y_true (y_max - y_min) / 2 * (y_pred_norm 1) y_min而 Python 的sklearn.preprocessing.MinMaxScaler默認映射到[0, 1]反歸一化公式變成y_true y_pred_norm * (y_max - y_min) y_min兩個公式的分母差了一個 2。如果把 MATLAB 的ps里的ymin、ymax直接喂給 sklearn 的inverse_transform預測結(jié)果整體偏一半。所以遷移時要么改寫公式要么用MinMaxScaler(feature_range(-1, 1))對齊 MATLAB 的行為。定位歸一化代碼的位置也很快直接在源碼里搜關(guān)鍵字grep -rn mapminmax\|MinMaxScaler\|normalize\|scaler --include*.m --include*.py .重點看兩件事縮放器是在訓練集上 fit 還是整個序列上 fit預測之后有沒有對應的反變換。這兩處只要有一處錯位最終輸出就不可能對。4. 用最小腳本跑通 ANN 預測數(shù)據(jù)加載、滑窗與三參數(shù)落地4.1 環(huán)境準備依賴清單與版本紅線如果包是純 Python環(huán)境準備相對簡單。ANN 預測最常用的是 scikit-learn 的MLPRegressor輕量、無 GPU 依賴、參數(shù)直觀如果包內(nèi)代碼是 LSTM 或更深的網(wǎng)絡則要上 TensorFlow/Keras。我不建議一開始就搭完整環(huán)境先裝最小集合等確認模型類型再補依賴pip install numpy pandas scikit-learn scipy matplotlib版本上有兩條紅線scikit-learn 建議 1.2 以上老版本MLPRegressor的solver默認值和早停行為有差異容易出現(xiàn)“同樣的代碼別人能跑你不能”scipy必須是能正常loadmat的版本個別新版本對老 .mat 的兼容性會報ValueError遇到就降一個次版本。Keras 的版本坑更多放在 5.4 里單獨說。4.2 從 CSV 到預測值一份可直接復制的 MLP 腳本這是整個復現(xiàn)過程里最核心的一段。無論 ANN.rar 里原始代碼是什么形態(tài)我都建議先寫一份最小可運行腳本把“數(shù)據(jù) → 預測值”這條路走通再回來改結(jié)構(gòu)。下面這份腳本針對單變量時間序列用前 5 個歷史點預測下一點import numpy as np import pandas as pd from sklearn.preprocessing import MinMaxScaler from sklearn.neural_network import MLPRegressor from sklearn.metrics import mean_absolute_error # 1. 讀取 CSV假設第一列是時間第二列是要預測的指標 df pd.read_csv(series.csv, encodinggbk, parse_dates[0]) vals df.iloc[:, 1].astype(float).values # 2. 構(gòu)造滑窗數(shù)據(jù)用前 window 個點預測下一個點 def build_windows(data, window): X, y [], [] for i in range(len(data) - window): X.append(data[i:i window]) y.append(data[i window]) return np.array(X), np.array(y) WINDOW 5 X, y build_windows(vals, WINDOW) # 3. 按時間順序切分不打亂前 80% 訓練后 20% 測試 split int(len(X) * 0.8) X_train, X_test X[:split], X[split:] y_train, y_test y[:split], y[split:] # 4. 先在訓練集上 fit 歸一化再變換測試集防止數(shù)據(jù)泄露 scaler_x MinMaxScaler() scaler_y MinMaxScaler() X_train_s scaler_x.fit_transform(X_train) X_test_s scaler_x.transform(X_test) y_train_s scaler_y.fit_transform(y_train.reshape(-1, 1)).ravel() # 5. MLP 回歸模型 model MLPRegressor( hidden_layer_sizes(32, 16), activationrelu, solveradam, alpha0.01, learning_rate_init0.001, max_iter500, early_stoppingTrue, n_iter_no_change20, random_state42 ) model.fit(X_train_s, y_train_s) # 6. 預測并還原量綱 y_pred_s model.predict(X_test_s).reshape(-1, 1) y_pred scaler_y.inverse_transform(y_pred_s).ravel() # 7. 評估 print(MAE:, mean_absolute_error(y_test, y_pred))這段腳本的邏輯是固定套路滑窗構(gòu)造樣本 → 時間順序切分 → 訓練集上 fit 縮放器 → 訓練 → 反變換還原。第 4 步是關(guān)鍵fit_transform只作用在X_train上X_test用transform而不是fit_transform這樣測試集信息不會滲透進縮放參數(shù)第 6 步的reshape(-1, 1)是因為MinMaxScaler要求輸入是二維數(shù)組而MLPRegressor的預測輸出是(n_samples,)不還原維度直接inverse_transform會報錯。如果包內(nèi)是 LSTM 預測而不是 MLP只需要把第 5 步替換成 Keras 模型并把輸入 reshape 成三維X_train_s X_train_s.reshape(X_train_s.shape[0], X_train_s.shape[1], 1) X_test_s X_test_s.reshape(X_test_s.shape[0], X_test_s.shape[1], 1) from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense model Sequential([ LSTM(32, input_shape(WINDOW, 1)), Dense(1) ]) model.compile(optimizeradam, lossmse) model.fit(X_train_s, y_train_s, epochs50, batch_size32, verbose0)注意LSTM 的輸入維度是 (樣本數(shù), 時間步數(shù), 特征數(shù))滑窗長度就是時間步數(shù)。MLP 能直接吃二維輸入是因為它把窗口內(nèi)的 5 個點當平鋪特征LSTM 則把它們當時間步處理語義不同。4.3 三個必調(diào)參數(shù)隱藏層、學習率、訓練集比例最小腳本跑通后真正決定預測效果的是下面這幾個參數(shù)。每次拿到新數(shù)據(jù)我會優(yōu)先調(diào)這三個其他參數(shù)保持默認。第一個是hidden_layer_sizes(32, 16)。這個元組定義了隱藏層的數(shù)量和每層節(jié)點數(shù)。對大多數(shù)單變量時間序列一到兩層隱藏層就夠了節(jié)點數(shù)從 16 到 64 之間試。節(jié)點數(shù)太少擬合不動太多容易過擬合小樣本數(shù)據(jù)。我習慣從(32,)起步往(32, 16)加一層往下減到(16,)比較三次的驗證誤差再定。第二個是learning_rate_init0.001。Adam 優(yōu)化器對這個初始學習率不算敏感但老代碼用sgd求解器時會敏感得多。如果訓練損失震蕩不下降先把學習率降到 0.0005如果損失下降太慢提到 0.005 試試。不要同時調(diào)學習率和隱藏層一次只動一個變量。第三個是訓練集比例 0.8。時序預測和橫截面數(shù)據(jù)不一樣不能隨意增加訓練比例——測試集如果只剩 50 個樣本MAE 的置信度就很低。我一般先保證測試集至少 100 個點再反推訓練比例。數(shù)據(jù)量小的序列甚至可以改成 70%/30%并配合早停防止過擬合。提示調(diào)參建議做一張簡單的記錄表把每次改的參數(shù)、驗證集 MAE、測試集 MAE 寫下來。不要憑感覺連著改四五個參數(shù)那樣最后出了問題根本不知道是哪個參數(shù)導致的。5. ANN 預測四類翻車排查數(shù)據(jù)泄露、過擬合、隨機性與加載失敗5.1 數(shù)據(jù)泄露歸一化發(fā)生在切分前測試集就臟了現(xiàn)象訓練集上 R2 接近 0.99測試集上誤差也低得不像話但一上真實數(shù)據(jù)預測就崩。甚至有時候測試集誤差越低上線效果越離譜。原因最常見的是在全序列上做了MinMaxScaler().fit_transform(data)再切分訓練測試集?？s放器看過整個序列的均值和最大值相當于把測試集的信息提前泄露給了訓練流程。模型學到的“規(guī)律”里混進了未來數(shù)據(jù)的統(tǒng)計量換一段新數(shù)據(jù)就現(xiàn)原形。另一種泄露是把時間序列整體shuffle后再切分窗口前后的時間關(guān)系被打亂模型根本沒見過連續(xù)的時間結(jié)構(gòu)。解決嚴格按 4.2 的順序——先切分、后歸一化而且只允許在訓練集上fit_transform測試集只能transform。檢查辦法是在源碼里搜scaler和fit_transform的位置確認它出現(xiàn)在切分代碼之后。如果包里附帶的預測流程是 MATLAB 的mapminmax同樣檢查它是不是在全序列上計算的歸一化參數(shù)。這是 ANN 預測里最隱蔽的坑改了之后測試誤差通常會變大但那是真實水平。5.2 過擬合訓練損失還在降驗證損失已經(jīng)反彈現(xiàn)象訓練損失一路下降看起來一切正常但驗證集損失降到某個點后開始反彈最終測試集誤差遠大于訓練集。典型特征是“訓練集 MAE 100測試集 MAE 5000”。原因隱藏層節(jié)點數(shù)太多、數(shù)據(jù)量太少、沒有正則化。老 MATLAB 代碼里經(jīng)常把隱藏層節(jié)點設成 100 起步對小數(shù)據(jù)集完全是暴力擬合把噪聲也背下來了。另外max_iter設得過大且沒配合早期停止時訓練會一直跑到迭代上限模型在訓練集上越鉆越深。解決四板斧。第一減小hidden_layer_sizes從(16,)或(32,)開始不要一上來就兩層第二調(diào)大alpha正則系數(shù)默認 0.0001過擬合時先試 0.01第三開early_stoppingTrue并配n_iter_no_change20讓模型在驗證損失不再改善時自動停第四檢查訓練樣本量滑窗窗口為 5 時1000 個點的序列能產(chǎn)生 995 個樣本如果只有 200 個點模型容量必須大幅收縮。5.3 隨機性換個 seed 結(jié)果差 5% 不是玄學現(xiàn)象同一份代碼、同一份數(shù)據(jù)今天跑 MAE 是 800明天跑變成 850后天又變回 810。你覺得是玄學其實每個環(huán)節(jié)都有隨機種子在起作用。原因MLPRegressor的初始權(quán)重是隨機的訓練數(shù)據(jù)在 mini-batch 內(nèi)的打亂順序也是隨機的。對數(shù)據(jù)量小、特征少的序列來說初始權(quán)重不同可能導致收斂到不同的局部最優(yōu)點誤差差距 5% 到 10% 很正常。解決統(tǒng)一隨機種子。在腳本開頭固定import numpy as np np.random.seed(42)并在MLPRegressor里明確傳入random_state42。如果是 Keras 模型只設 numpy 種子不夠還要設 TensorFlow 的種子常見做法是import random random.seed(42) np.random.seed(42) import tensorflow as tf tf.random.set_seed(42)注意這個import tensorflow必須放在其他種子設置之后否則圖構(gòu)建階段的隨機操作還是在“無種子”狀態(tài)下跑的。另外固定種子不意味著這個值就是最優(yōu)解更穩(wěn)妥的是跑 5 個不同的 seed報告 MAE 的均值和標準差這比單次結(jié)果可信得多具體寫法見第 6 章。5.4 模型文件加載失敗h5、pkl 的版本賬現(xiàn)象包里帶了訓練好的模型文件加載時報錯常見的包括ModuleNotFoundError: No module named keras、ValueError: Unknown layer: ...、或者 pickle 反序列化時AttributeError: Cant get attribute ...。原因模型文件不是純數(shù)據(jù)里面序列化了模型結(jié)構(gòu)和對應庫的類。.h5文件由 Keras 版本決定結(jié)構(gòu)描述格式新版 Keras 讀老.h5經(jīng)常報Unknown layer或Unknown activation.pkl更是直接把 Python 類對象打包進去加載環(huán)境里缺少定義類或者類路徑不對就會報Cant get attribute。這不是文件損壞是版本賬。解決先看Traceback報的是哪個模塊缺失按缺失內(nèi)容決定改環(huán)境還是改代碼。.h5文件優(yōu)先匹配保存它的 Keras 版本如果當時是用 TensorFlow 2.x 保存的建議新建虛擬環(huán)境裝對應版本的tensorflow再load_model。.pkl文件如果包含自定義模型類需要把定義該類的.py文件放在當前目錄并import之后再load。老 MATLAB 項目里沒有這類問題.mat只存數(shù)值但 Python 項目里這是高頻坑。我的習慣是拿到權(quán)重文件先問一句“這個文件和哪個腳本配套”單獨拎出來加載十有八九要對版本。6. 驗證與進階殘差、基線對比和種子穩(wěn)定性腳本跑通只是開始真正讓 ANN 預測結(jié)果站得住腳還需要三件套殘差檢查、貪心基線對比、多種子穩(wěn)定性報告。殘差檢查看的是模型有沒有遺漏可學習的規(guī)律。把預測值和真實值做差residual y_test - y_pred然后畫圖或者觀察殘差序列如果殘差還有明顯趨勢或周期性說明模型沒有抓住數(shù)據(jù)里的時間結(jié)構(gòu)需要增加滑窗長度或增加特征。如果殘差是圍繞零值上下波動的白噪聲這個模型基本到頭了?；€對比是判斷“神經(jīng)網(wǎng)絡到底有沒有用”的最直接方式。時間序列預測里最貪心的基線是樸素預測——用上一個觀測值作為下一個預測值naive_pred np.roll(y_test, 1) naive_pred[0] y_test[0] naive_mae mean_absolute_error(y_test, naive_pred) print(Naive MAE:, naive_mae) print(ANN MAE:, mean_absolute_error(y_test, y_pred))如果 ANN 的 MAE 比這個貪心基線還差那說明模型沒學到任何有效規(guī)律調(diào)參方向或者數(shù)據(jù)質(zhì)量有問題。這個對比可以說服你自己也可以直接用在交付報告里。最后是種子穩(wěn)定性。單次運行的結(jié)果不具備可信度我自己的固定動作是跑一組種子results [] for seed in [42, 2024, 7]: model.set_params(random_stateseed) model.fit(X_train_s, y_train_s) y_pred_s model.predict(X_test_s).reshape(-1, 1) y_pred scaler_y.inverse_transform(y_pred_s).ravel() results.append(mean_absolute_error(y_test, y_pred)) print(MAE across seeds:, np.mean(results), /-, np.std(results))這樣交付出去的誤差指標是均值加減標準差而不是“這次跑出來的數(shù)”。我現(xiàn)在拿到任何 ANN 預測包第一件事就是打印數(shù)據(jù)形狀、檢查縮放器位置、固定種子這三步已經(jīng)成了肌肉記憶救過我太多次。希望幫到你。本文還有配套的精品資源點擊獲取