Обычно простая нейронная сеть для решения XOR должна иметь 2 входа, 2 нейрона в скрытом слое, 1 нейрон в выходном слое.
Однако в следующем примере реализации есть 2 выходных нейрона, и я этого не понимаю:
Почему автор поместил туда 2 выходных нейрона?
Изменить: Автор примера отметил, что он использует 4 нейрона в скрытом слое, 2 нейрона в выходном слое. Но я до сих пор не понимаю, почему, почему форма {4,2} вместо {2,1}?
Это называется горячим кодированием. Идея состоит в том, что у вас есть один нейрон на класс. Каждый нейрон дает вероятность этого класса.
Я не знаю, почему он использует 4 скрытых нейрона. 2 должно хватить (если не ошибаюсь).
В конце автор использует класс Evaluation (для статистики того, как часто сеть дает правильный результат). Для правильной работы этому классу требуется один нейрон для каждой классификации, то есть один выходной нейрон для истинного и один для ложного.
Было бы полезно думать об этом так:
Training Set Label Set
0 | 1 0 | 1
0 | 0 | 0 0 | 0 | 1
1 | 1 | 0 1 | 1 | 0
2 | 0 | 1 2 | 1 | 0
3 | 1 | 1 3 | 0 | 1
Итак, [[0,0], 0], [[0,1], 0] и т. Д. Для обучающего набора.
Если вы используете набор меток из двух столбцов, 0 и 1 соответствуют true или false.
Таким образом, [0,0] правильно отображается в false, [1,0] правильно отображается в true и т. Д.
Здесь можно найти довольно хорошую статью, которая немного изменяет оригинал: https://medium.com/autonomous-agents/how-to-teach-logic-to-your-neuralnetworks-116215c71a49
