Algorithm 如何将浮点数转换为神经网络？

我一直在阅读一些关于神经元、感知器和多层感知器概念的在线教程。现在，我想在我自己的例子中实现这个概念。我想做的是在我的网络中实现以下简单算法：

假设我们有4个浮点数

minus1

，

plus1

，

minus2

，

plus2

if (minus2>plus2) and (minus1<plus1) then return 1
else if (minus2<plus2) and (minus1>plus1) then return -1
else return 0

---

if（minus2>plus2）和（minus1问题有点模糊。我将其解释为：

您正试图使用神经网络实现函数
f（m1，p1，m2，p2）
（定义由该
if
子句给出）

（1），您需要考虑如何表示网络，它受您使用的网络类型的影响。
对于（2），要训练网络，需要使用真值（即
m1、p1、m2、p2和f（m1、p1、m2、p2）
）

对于（3），你实际上没有3种类型的输出。相反，你有3种可能的输出。当然，当特定的输出是答案时，可以训练3个网络响应，但你也可以（使用适当类型的网络）用一个输出的网络实现同样的效果。
1）我不确定你用什么样的数字来输入你的神经网络（神经网络[或感知器]）是否重要。也就是说，您可以让4个输入节点接受带符号的浮点数（或带符号的十进制数，如果可用），这样您就可以让所有输入都接受相同类型的数据进行处理。当您将输入乘以一个加权值时，您很可能会在NN中得到一个浮点值或十进制值

2） 我通常会说，因为您有4个数据点，所以NN的4个输入是一个很好的起点

3） 至于输出，整个NN完全可能有一个输出节点。要使用这种设计，需要有一个阈值函数，它从NN获取最终输出并将其转换为可用值。在您的示例中，我建议将低于-0.5的任何内容归类为-1，介于-0.5和+0.5之间的任何输出归类为0，高于+0.5的任何内容归类为1

e、 g

Value |输出
----------------|----------
< -0.5          | -1
-0.5+0.5 |+1
对于（3）您可以有一个带有3个标记为（1，-1,0）的输出节点的网络和一个“赢家通吃”策略来决定网络的响应。同意。理论上相当于多了一层，是静态的，并且具有传递函数。
Value           | Output
----------------|----------
< -0.5          | -1
-0.5 < x < +0.5 | 0
x > +0.5        | +1