Artificial intelligence 用2x2x1神经网络无偏差求解异或问题？

如果没有偏差，一个有两个输入节点、两个隐藏节点和一个输出的神经网络是否能够解决异或问题？或者它会被卡住吗？

如果我没记错的话，没有偏置就不可能有异或。

保留偏置。它看不到您输入的值

---

根据一对一的类比，我喜欢将偏差视为直线方程中的偏移

c

-值：

y=mx+c

；它为您的系统添加了独立的自由度，而不受网络输入的影响。

我构建了一个无偏差的神经网络，2x2x1体系结构解决了280个时代的异或问题。 我是新来的，所以不知道任何一种方法，但它是有效的，所以它是可能的

---

关于，

是的，如果您使用像Relu（f（x）=max（0，x））这样的激活函数，您可以

此类网络的权重示例如下：

Layer1: [[-1, 1], [1, -1]]
Layer2: [[1], [1]]

对于第一个（隐藏）层：

• 如果输入为[0,0]，则两个节点都将激活0:ReLU（-1*0+1*0）=0，ReLU（1*0+-1*0）=0
• 如果输入为[1,0]，一个节点将激活0 ReLU（-1*1+1*0）=0，另一个节点将激活1 ReLU（1*1+-1*0）=1
• 如果输入为[0,1]，则一个节点将激活1 ReLu（-1*0+1*1）=1，另一个节点将激活0 ReLu（1*0+-1*1）=0
• 如果输入为[1,1]，则两个节点的激活将为0:ReLU（-1*1+1*1=0）=0，ReLU（1*1+-1*1=0）=0

对于第二（输出）层： 由于权重为[[1]，[1]]（并且由于ReLU，上一层不会出现负激活），因此该层仅充当第1层中激活的总和

• 如果输入为[0,0]，则前一层中的激活总数为0
• 如果输入为[1,0]，则前一层中的激活总数为1
• 如果输入为[0,1]，则前一层中的激活总数为1
• 如果输入为[1,1]，则前一层中的激活总数为0

---

虽然该方法在上面的示例中恰好有效，但它仅限于对XOR问题的错误示例使用零（0）标签。例如，如果我们用一个作为假例子，用两个作为真例子，这种方法将不再有效。

我有一个（我希望是有效的）神经网络类，它似乎能够用2个输入、3个隐藏神经元和1个输出来解算，但不能用2个隐藏神经元来解算。当计算net=w1x1+w2x2时，仅仅在等式中加1就足够了吗，net=w1x1+w2x2+1，还是仍然不够？我必须有第三个重量吗？谢谢，我认为在你的例子中，有3个隐藏的神经元，其中一个神经元的行为像一个偏差，这就是为什么它起作用。我想不出一个能处理2个隐藏节点的例子。不使用偏见的原因是什么？没有偏见有更多的限制，例如不可能。你可能对这个答案+1感兴趣。你能考虑一下回答我的问题吗？我认为它又与偏见有关，也许我认为答案是错误的…