C++ 在Sigmoidal神经网络C+中使用反向传播，异或总是收敛到0.5+；

再次感谢您抽出时间阅读本文

我知道这个问题已经被问了很多，我也查阅了很多关于这个问题的帖子：然而，我对使用反向传播实现成功的XOR学习的探索仍然没有完成

我尝试过，就像建议的那样，调整学习速度、动力、没有/没有偏见等，但仍然没有成功

网络由2个输入神经元，2个隐藏神经元，1个输出，allSigmoids组成。 对于每个输入，输出神经元似乎总是在0.5左右收敛

因此，我要求你在这方面拥有宝贵的技能。 我使用自制的C++库（这样我就可以深入地学习基础知识是如何工作的）。 下面是我的代码的几行有趣的代码：

从输出神经元获取误差导数

void ClOutputSigmoidNeuron::ComputeErrorGradient()
{
    double wanted_output = this->m_dataset->GetNextData();
    double delta = wanted_output - this->m_result_buffer;
    this->m_error_gradient = delta * this->SigmoidDerivative(this->m_result_buffer);
}

void ClSigmoidNeuron::ComputeErrorGradient()
{
    double tmpBuffer = 0.00;
    for(std::size_t i=0;i<this->m_output_connections.size();i++)
    {
        ClNeuron* target_neuron = (ClNeuron*)m_output_connections[i]->m_target_neuron;
        tmpBuffer += (target_neuron->m_error_gradient * this->m_output_connections[i]->m_weight);
    }

    //Get the sigmoid derivative
    this->m_error_gradient = tmpBuffer * this->SigmoidDerivative(this->m_result_buffer);
}

从隐藏神经元获取误差导数

void ClOutputSigmoidNeuron::ComputeErrorGradient()
{
    double wanted_output = this->m_dataset->GetNextData();
    double delta = wanted_output - this->m_result_buffer;
    this->m_error_gradient = delta * this->SigmoidDerivative(this->m_result_buffer);
}

void ClSigmoidNeuron::ComputeErrorGradient()
{
    double tmpBuffer = 0.00;
    for(std::size_t i=0;i<this->m_output_connections.size();i++)
    {
        ClNeuron* target_neuron = (ClNeuron*)m_output_connections[i]->m_target_neuron;
        tmpBuffer += (target_neuron->m_error_gradient * this->m_output_connections[i]->m_weight);
    }

    //Get the sigmoid derivative
    this->m_error_gradient = tmpBuffer * this->SigmoidDerivative(this->m_result_buffer);
}

用于培训的功能

bool ClBackPropagationSupervisedTrainer::Train()
{
    for (std::size_t i = 0; i < this->m_dataset_size; i++)
    {
        this->m_network->Fire();

        if (!this->m_network->ComputeErrorGradients())
        {
            std::cout << "ClBackPropagationSupervisedTrainer:Train - Oups" << std::endl;
            return false;
        }

        this->m_network->UpdateWeights();
    }

    return true;
}

bool-ClBackPropagationSupervisedTrainer:：Train（）
{
对于（std:：size\u t i=0；im\u dataset\u size；i++）
{
此->m_网络->火灾（）；
如果（！this->m_network->ComputeErrorGradients（））
{
std:：cout UpdateWeights（）；
}
返回true；
}

再次感谢您的阅读，我知道这个问题被问了很多！

---

如果能给我指出正确的方向，我将不胜感激。

有趣的是，如果它能帮助某人，从Sigmoid（）网络改为TanH（）网络解决了这个问题

在某种程度上，它确实是有意义的，然而，Sigmoid transfert函数似乎非常适合这种问题，因为XOR已经在0和1之间规范化了