Artificial intelligence 神经网络能学习多路复用器模式吗？

假设您有3个输入：

A

，

B

，

C

。人工神经网络（不一定是前馈）能学习这种模式吗

if C > k
   output is A
else
   output is B

---

有哪种类型的网络可以或非常适合这种类型的问题

是的，对于前馈神经网络来说，这是一个相对容易学习的模式

假设使用sigmoid函数，您至少需要3层：

• 第一层可以测试C>k（也可能将A和B缩小到sigmoid函数的线性范围内）
• 第二层可以根据第一层计算A/0和0/B
• 第三（输出）层可以执行加权求和以给出a/B（根据所需值的比例，可能需要使该层线性化而不是S形化）

---

话虽如此，如果你真的知道你的问题的结构和你想进行什么样的计算，因此，神经网络不太可能是最有效的解决方案：当您不太了解建立函数/关系模型所需的精确计算时，神经网络会更好。

如果输入只能是0和1，那么这就是网络：

每个神经元都有一个作为激活函数。神经元y0和z的偏差=0.5；神经元y1的偏差=1.5。重量显示在相应连接的上方。当s=0时，输出z=d0。当s=1时，输出z=d1

---

如果输入是连续的，则可以使用Sigmoid、tanh或ReLU作为神经元的激活函数，并且可以使用反向传播算法对网络进行训练。

可以。这听起来像经典的3硬币EM问题，可以看作是一个神经网络。这显然只是我问题的一小部分。我正在用NEAT来训练模型。我想，在我把它应用到实际问题之前，我应该先尝试一下，如果它能学习一些子问题，这可能需要几天的计算时间。这是我尝试的第一个子问题，失败得很惨。也许我需要进一步调整参数。