请确保在C中正确加载和处理权重。您可以通过从.csv文件中加载权重后打印它们，并将其与Python中的模型输出进行比较来实现这一点。如果它们不相同，则权重没有正确读取。检查Python和C中使用的数据类型，并确保它们匹配。此外，确保在C中正确处理权重，并使用与Python中的模型相同的操作。
顺便说一下，我使用了Clerkie(AI代码调试工具)- https://clerkie.co/ 来帮助我在这里思考方法(在分享之前仍然会审查/调查反馈)。希望这有帮助！

感谢您的回复，但这不是问题所在。我已经用许多简单的FNN网络进行了测试，包括一个直接输出的单层隐藏单元，这些网络非常简单易实现且不容易出错。实际上，我已经遇到这个问题一年多了，而且一直让我感到困惑。这似乎与Tensorflow在幕后的工作方式有关。文档声称它默认使用float32,当我检查我的Python应用程序的控制台时也是如此，而且我在C中也使用float32,所以我不确定差异来自哪里。这就是为什么我希望比我自己在Tensorflow方面更有经验的人能解释一下这个问题。

你好，BeverlyCode!
抱歉回复晚了。感谢你分享关于从用Python训练的Keras模型加载权重时C++中差异的观察。
是否有可能为你创建一个带有Tensorflow C++文档的玩具模型，并在这里发布你的结果以复制相同的不一致性。
你可以在这个论坛上发布这个问题。
谢谢！

问题不是关于Tensorflow C++的，而是关于在Python的Tensorflow Keras中，当我使用原始问题中定义的Python代码导出权重时，这些相同的权重在不使用Tensorflow的情况下无法产生相同的预测(当我在自定义的C程序中使用它们时)。

在Tensorflow中训练的权重应该可以在Tensorflow之外使用相同的网络拓扑结构工作，但它们不能，我不知道为什么。我想知道为什么。

如果我做错了什么，那么在Python中从Tensorflow Keras模型导出权重到文本文件的推荐方法是什么？

好的，@BeverlyCode !
感谢您的更新。
@sachinprasadhs !
您能看一下这个问题吗？
谢谢！

首先，你需要在第236行的main.c文件中生成数据集，取消注解到第276行，然后添加一个return 0;并使用gcc main.c -lm -Ofast -mfma -march=native -o main编译，最后使用./main执行。这将生成所需的数据集dataset.dat和testset.dat。(记住在生成数据集后将这些行注解回来，因为你以后需要重新运行此程序进行预测，而不想用新数据集覆盖现有的数据集)*然后只需执行python3 fit.py(无参数)。

权重的C头文件将输出到models/目录。这些是在main.c中用C执行前向传播的权重。

这是一个简单的FNN神经网络，有16个单元，2层：用C构造输入和输出层如下：

你的输出头文件在models/目录中将包含两个const float数组； neural_unitvector_layer0和neural_unitvector_layer1。

将neural_unitvector_layer0重命名为nv0。

用新的const float数组nv0替换第68行。

将neural_unitvector_layer1重命名为nv1。

用新的const float数组nv1替换第69行。

(记得在main.c开头注解掉生成新的dataset.dat和testset.dat文件的那些行)*

使用gcc main.c -lm -Ofast -mfma -march=native -o main编译，然后再次使用./main执行。

你应该得到与Python程序相同的预测结果，因为它们是相同的dataset.dat和testset.dat,使用相同的权重。但出于某种原因，你不会得到相同的结果。它产生的结果与在相同权重下使用model.predict()不同。main.c只测试整体准确性，但你可以轻松地将其更改为直接比较整个testset.dat或仅从中提取一个输入进行比较 - 显然的是，相同的权重在C和Python的Tensorflow Keras中产生不同的结果，我不知道为什么。

仅是一个小更新，根据我的研究，在最新版本的Python和包中，使用numpy.savetxt(layer.name + ".csv", layer.get_weights()[0].flatten(), delimiter=",")和f.write("," + str(layer.get_weights()[0].flatten()[bc]))导出权重时，它们会精确地导出权重。但是为了确保万无一失，我还将所有浮点数权重导出为字节，然后在C中将它们转换回浮点数。我使用了以下函数进行导出：

def float_to_hex(f): return hex(struct.unpack('<I', struct.pack('<f', f))[0])(它给出了相同的权重)

似乎在Tensorflow中，即使是最基本神经网络的前向传播中也有一些事情是Tensorflow在前向传播中做的，这对我来说并不明显(如果我不得不猜测的话),而且我不确定如何找出它在做什么。我想假设在Tensorflow中，默认情况下所有东西的状态都被禁用，例如层正则化等，除非明确打开？有可能Tensorflow实际上默认打开了一些东西来提高默认训练的网络吗？我只是没有意识到这一点？

我在这里抓救命稻草，但Tensorflow是一个庞大而复杂的最先进框架，我真的不知道从哪里开始或如何进行调试。

但是能够将非常简单的FNN网络在Tensorflow Keras中训练得到的权重提取出来，然后在C程序中重新使用这些权重，对我来说是非常有价值的。当我从一个类似的或等效的FNN网络中导出模型时，我也尝试以上述描述的完全相同方式导出权重，我得到了以下输出：

{
 "class_name": "Sequential",
 "config": {
  "name": "sequential",
  "layers": [
   {
    "class_name": "InputLayer",
    "config": {
     "batch_input_shape": [
      null,
      784
     ],
     "dtype": "float32",
     "sparse": false,
     "ragged": false,
     "name": "dense_input"
    }
   },
   {
    "class_name": "Dense",
    "config": {
     "name": "dense",
     "trainable": true,
     "dtype": "float32",
     "batch_input_shape": [
      null,
      784
     ],
     "units": 8,
     "activation": "tanh",
     "use_bias": true,
     "kernel_initializer": {
      "class_name": "GlorotUniform",
      "config": {
       "seed": null
      }
     },
     "bias_initializer": {
      "class_name": "Zeros",
      "config": {}
     },
     "kernel_regularizer": null,
     "bias_regularizer": null,
     "activity_regularizer": null,
     "kernel_constraint": null,
     "bias_constraint": null
    }
   },
   {
    "class_name": "Dense",
    "config": {
     "name": "dense_1",
     "trainable": true,
     "dtype": "float32",
     "units": 1,
     "activation": "sigmoid",
     "use_bias": true,
     "kernel_initializer": {
      "class_name": "GlorotUniform",
      "config": {
       "seed": null
      }
     },
     "bias_initializer": {
      "class_name": "Zeros",
      "config": {}
     },
     "kernel_regularizer": null,
     "bias_regularizer": null,
     "activity_regularizer": null,
     "kernel_constraint": null,
     "bias_constraint": null
    }
   }
  ]
 },
 "keras_version": "2.11.0",
 "backend": "tensorflow"
}

这很奇怪，因为这个输出似乎声称它只是一个普通的基础FNN网络，而我的C代码应该可以很好地重现上面提到的前面的回答中的前向传播。这是奇怪的。