什么？神经网络还能创造新知识？

异或运算的甜头是可以实习整个参数空间，由于只有四种也许的设置可以教。然而，必要一些在神经收集中转达数据集的进程来驱动模子到达零消费和100%精准，即输出趋向于一个体离是(0,1)、(1,0)和(0,0)、(1,1)的零。

异或运算神经收集的Loss和epochs比拟

异或运算神经收集的Accuracy 和epochs比拟

然而，实习期也也许陷入停滞，无法跟尾。接着精准度遏制在75%乃至50%，即一个或两个二元元组的映射是不正确的。在这种环境下就要从头构建神经收集，直到获得吻合的办理方案。

说明和结论

此刻验证Keras神经收集是否与建构的具有相似布局。通过返回权值(拜见代码片断的末端)，获得了权值和毛病值。

Python的剧本输出

行使这些参数来重建神经收集(再次行使Excel)。由三个操纵符构成。

基于Keras实习的异或运算神经收集

通过输入全部也许的设置，可以辨认与H1、H2和O操纵符关联的布尔函数。

Keras在异或运算神经收集中的布尔函数

风趣的是，本觉得Keras 神经收集与所建构的逻辑是一样的，但它却建设了另一种办理方案。行使OR，AND和(相对没人知道的)INH，而非操纵符NAND, OR 和AND，即神经收集找到的公式。

XOR (x,y) = INH ( OR (x,y), AND (x,y) ) 

这表白神经收集可以得到早年没有的常识!虽然“新常识”是相对的，而且取决于知道的水平。也就是说，若一小我私人知道异或运算的全部暗示情势，Keras 神经收集就不会有其他代价。

另外，对付更伟大的神经收集，将权值转换为显式算法或公式并不轻易。但大概这种专业常识是将来人工智能专家必需具备的手段。

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!