Python 简单的反向传播没有按预期工作

Question

我正在尝试实现反向传播算法以展示如何使用两层神经网络来充当 XOR 逻辑门。我遵循了本教程 here。

在运行之后，我希望输出遵循 XOR 逻辑真理 table：

[[0]
 [1]
 [1]
 [0]]

然而我得到：

output after training:  [[0.5]
 [0.5]
 [0.5]
 [0.5]]

对我可能做错了什么有什么建议吗？谢谢

完整代码：

import numpy as np


# Sigmoid function
def sigmoid(x, deriv=False):
    if deriv:
        return x*(1-x)
    return 1/(1+np.exp(-x))


# Input dataset
X = np.array([[0, 0],
              [0, 1],
              [1, 0],
              [1, 1]])

# Output dataset
y = np.array([[0, 1, 1, 0]]).T

# seed random numbers to make calculation deterministic
np.random.seed(1)

# initialise weights randomly with mean 0
syn0 = 2*np.random.random((2, 1)) - 1

for iter in range(10000):

    # forward prop
    layer0 = X
    layer1 = sigmoid(np.dot(layer0, syn0))

    layer1_error = y - layer1

    layer1_delta = layer1_error * sigmoid(layer1, True)

    syn0 += np.dot(layer0.T, layer1_delta)
    print(iter)

print("output after training: ", layer1)

Answer 1

您没有做错任何事 - 您正确地证明了单层 ANN 无法执行 non-linear separation！

XOR 输入是不可线性分离的数据示例 - 简单地说，如果将它们绘制在 x-y 网格上，则无法绘制直线来将“0”输出与“1”分开输出。单层人工神经网络只能进行线性分离，无论怎么训练都无法得到正确的输出。

要解决异或问题，您需要添加一个额外的层。看起来你已经有两层（输入层和输出层），但它实际上是一个单层网络，因为只有一层权重（syn0）。添加第二层（按照您提供的参考中的示例）并查看训练结果是否有所改善。

Python 简单的反向传播没有按预期工作

Python simple backpropagation not working as expected

python

neural-network

backpropagation