写一段在训练神经网络中输出最小权重的代码

以下是一个简单的代码示例，用于训练神经网络并输出最小权重：

import tensorflow as tf

# 构建神经网络模型
model = tf.keras.models.Sequential([
  tf.keras.layers.Dense(units=64, activation='relu'),
  tf.keras.layers.Dense(units=32, activation='relu'),
  tf.keras.layers.Dense(units=1)
])

# 定义损失函数和优化器
loss_fn = tf.keras.losses.MeanSquaredError()
optimizer = tf.keras.optimizers.Adam()

# 定义训练循环
for epoch in range(10):
  for x, y in train_dataset:
    with tf.GradientTape() as tape:
      # 计算预测值
      y_pred = model(x, training=True)
      # 计算损失函数值
      loss = loss_fn(y, y_pred)
      # 计算权重的 L2 范数
      l2_norms = [tf.norm(w) for w in model.trainable_weights]
      # 计算损失函数值加上权重的 L2 范数
      total_loss = loss + 0.01 * tf.reduce_sum(l2_norms)
    # 计算梯度并更新参数
    grads = tape.gradient(total_loss, model.trainable_weights)
    optimizer.apply_gradients(zip(grads, model.trainable_weights))

# 输出最小权重
min_weight = tf.reduce_min(model.trainable_weights)
print('最小权重为：', min_weight)

在这个例子中，我们使用 TensorFlow 来构建一个具有两个隐藏层的神经网络模型，然后使用 Adam 优化器来训练模型。在训练过程中，我们通过计算权重的 L2 范数来惩罚权重的大小，使得最终得到的权重更加稀疏。最后，我们输出模型中最小的权重值。