Javascript 在大多数情况下，反向传播不会使我的网络学习简单的任务

我想了解更多关于机器学习的内部工作原理，所以我用Typescript写了一些东西来记下要点。然而，它不学习。我创建了一个小脚本来克隆项目及其可视化：

但是，以下是相关代码：

activate（激活：编号，内存：内存，连接：连接=null）{
if（连接！==null）
this.activationValues[connection.innovation]=激活；
//如果此正向传递中没有激活，则此处传递的激活为初始输入
如果（this.activations==0）{
this.netInput=激活；
}否则{
//否则，将激活添加到输入
this.netInput+=激活；
}
//如果所有传入节点连接都已激发
如果（++this.activations>=this.connectionsBackward.length）{
//重置激活计数器
此参数为0.activations=0；
//计算激活值（挤压输入+偏置）
//输入节点除外
常量输出=this.getActivation（）；
//打开所有输出连接
_.each（this.connectionsForward，（connection:connection）=>{
如果（！memory.allowed（connection.innovation））返回；
连接到激活（输出*连接重量、内存、连接）；
记忆。激活（连接。创新）；
})
}
}
/*
∂Eₜₒₜₐₗ / ∂Wᵢⱼ  = ( ∂Eₜₒₜₐₗ / ∂出来ⱼ ) * ( ∂出来ⱼ / ∂网ⱼ ) * (  ∂网ⱼ / ∂Wᵢⱼ )
∂Eₜₒₜₐₗ / ∂出来ⱼ = - (目标出局)ⱼ)
∂出来ⱼ / ∂网ⱼ = 出来ⱼ (一)出局ⱼ) （激活函数的导数，此处为：sigmoid）
∂网ⱼ / ∂Wᵢⱼ  = 出来ᵢ
Δw=-η*∂Eₜₒₜₐₗ / ∂Wᵢⱼ = -η * ∂ⱼ * 出来ᵢ
*/
传播输出（理想，学习率）{
//计算偏导数
const partialderivativeerrorrout=-（理想-this.getActivation（））；
const partialDerivativeOutNetinput=this.getActivation（true）；
//对于所有传入连接
_.each（this.connectionsBackward，（连接：连接）=>{
const partialDerivativeNetinputWeight=connection.from.getActivation（）；
//计算连接重量误差的偏导数
常量导数ErrorWeight=部分导数ErrorRout*部分导数OutNetInput*部分导数InputWeight；
//为连接指定重量调整
connection.adjustment=connection.delta=-learningRate*derivativeErrorWeight；
//向后传播错误
if（connection.from.type==NODE_type.input）返回；
连接.from.propagateHidden（PartialDelivativeErrorRout，learningRate）；
});
}
/*
∂Eₜₒₜₐₗ / ∂Wᵢⱼ  = ( ∂Eₜₒₜₐₗ / ∂出来ⱼ ) * ( ∂出来ⱼ / ∂网ⱼ ) * (  ∂网ⱼ / ∂Wᵢⱼ )
∂Eₜₒₜₐₗ / ∂出来ⱼ = Σ [ (∂Eₖ₁ / 阴郁的ⱼ) + (∂Eₖ₂ / 阴郁的ⱼ) + ... (∂Eₖₙ / / 阴郁的ⱼ) ]
-> ∂Eₖ / ∂出来ⱼ   = ∂Eₖ * / ∂网ₖ
-> ∂网ₖ / ∂出来ⱼ = Wᵢⱼ
∂出来ⱼ / ∂网ⱼ = 出来ⱼ (一)出局ⱼ)
∂网ⱼ / ∂Wᵢⱼ  = 来自此连接的输入
Δw=-η*∂Eₜₒₜₐₗ / ∂Wᵢⱼ
*/
传播隐藏（PartialDelivativeErrorRoutConnected，learningRate）{
//将所有传入的错误导数相加
this.partialderivativeerrorroutConnectedSum+=partialderivativeerrorroutConnected；
//如果所有传入连接都已反向传播
if（++this.propagations==this.connectionsForward.length）{
这就是传播=0；
//计算偏导数
const partialDerivativeOutNetinput=this.getActivation（true）；
const partialDerivativeNetinputBias=1；
//计算偏差误差的偏导数
const-derivativeErrorBias=this.partialderivativeErrorRoutedSum*partialDerivativeOutNetinput*partialderivativeEntInputBias；
//将偏差调整指定给节点
this.adjustment=-learningRate*派生误差偏差；
//对于所有传入连接
_.each（this.connectionsBackward，（连接：连接）=>{
const partialDerivativeNetinputWeight=this.activationValues[connection.innovation]；
//计算连接重量误差的偏导数
const derivativeErrorWeight=this.partialderivativeErrorRoutedSum*partialDerivativeOutNetinput*partialderivativeEntInputWeight；
//为连接指定重量调整
connection.adjustment=connection.delta=-learningRate*derivativeErrorWeight；
//向后传播错误
if（connection.from.type==NODE_type.input）返回；
connection.from.propagateHidden（this.partialderivativeErrorRoutedConnectedSum，learningRate）；
});
}
}
调整（存储器）{
//实际调整偏差和连接权重（递归）
this.bias+=this.adjustment；
此项调整=0；
_.each（this.getConnectionsBackward（），（连接：connection）=>{
如果（！memory.allowed（connection.innovation））返回；
connection.weight+=connection.adjustment；
连接调整=0；
记忆。激活（连接。创新）；
连接。从。调整（内存）
});
}
getActivation（导数=false）{
if（this.type==NODE_type.input）{
返回此.netInput；
}
返回this.squash（this.netInput+this.bias，导数）；
}

例如，如果我希望它镜像输入/输出，那么经过几千次迭代后，我在每个节点上都会得到相同的输出：

和相同：

与XOR相同：

如果有人能帮我，我将不胜感激

你好，米肯