神经网络Java XOR学习？

我正试图用Java编写一个神经网络 2个输入神经元，1个隐藏层，包含3个神经元和1个输出神经元， 它应该能够解XOR函数。我了解神经元感知器是如何工作的，它们是如何学习的，但我不了解神经网络是如何处理输出的，或者神经元是如何相互通信的。 例如：

我有一个神经网络：忽略这些值

这个数据集： 输入={1,0}，{1,1}，{0,1}，{0,0} 理想={1,0,1,0}

---

我用哪些值训练每个特定的神经元？或者让神经网络学习？

训练神经网络的目的是找到正确的权重，从而正确预测给定输入的输出。训练神经网络有两个基本过程

正向传播： 在这个过程中，我们在每一层获取权重和输入，计算输出，然后应用激活函数。例如，在您给出的神经网络中，隐藏层中第二个节点的计算将为：

1*0.4+1*0.9=1.3

然后，我们在节点值1.3上应用激活函数。我猜这个神经网络使用的是一个sigmoid激活函数，它只不过是一个简单的指数函数

我们对隐藏层中的每个节点执行此操作，这将成为下一层的输入，即输出层。在对输出节点值应用激活函数后，我们将其解释为神经网络的输出。它可能会偏离它应该是什么，因为初始权重是随机的，这将给我们一个随机的答案。但这将引导我们进入下一个过程，这将帮助我们找到正确的权重：

反向传播： 这部分需要大量的数学知识，如果你不熟悉微积分，一开始可能很难理解。但是反向传播背后的一般思想是使用一种称为梯度下降的方法，通过将权重推向正确的方向来减少错误。详细解释梯度下降本身需要一个很长的答案。因此，我将为您提供一些了解它的好资源：

所有这两个过程就是训练神经网络的意义。我们的目标是使用训练数据找到正确的权重，这样当我们面对以前从未见过的数据时，我们就能做出正确的预测

WelchLabs制作了一个关于神经网络及其工作原理的非常好的视频系列。你一定要看整个系列，它会解释一切，包括梯度下降：

---

神经网络的可能复制只是一个大的集合，你正在展示一个网络的输出在哪里变成另一个网络的输入，以此类推。他们本身并没有真正的学习，而是不断地积累大量可以分类的数据，并根据从积累的数据中提取的大量因素进行预测。