Machine learning PyBrain：为什么PyBrain NN不学习分类XOR？

我有以下代码：

从pybrain.dataset导入受监控的数据集
从pybrain.supervised.trainers导入BackpropTrainer
从pybrain.tools.shortcuts导入buildNetwork
从pybrain.structure导入TanhLayer
ds=受监控的数据集（2，1）
ds.addSample（（0,0），（0，））
ds.addSample（（0,1），（1，））
ds.addSample（（1,0），（1，））
ds.addSample（（1,1），（0，））
net=buildNetwork（2,3,1，bias=True，hiddenclass=TanhLayer）
培训师=背部支撑培训师（净，ds）
trainer.trainUntilConvergence（）培训师
打印“0,0:{0}”。格式（net.activate（[0,0]））
打印“0,1:{0}”。格式（net.activate（[0,1]））
打印“1,0:{0}”。格式（net.activate（[1,0]））
打印“1,1:{0}”。格式（net.activate（[1,1]））

我得到的输出总是收敛到与XOR不同的地方。我得到的输出示例：

0,0 : [ 1.33865922]
0,1 : [ 0.78127428]
1,0 : [ 0.8318278]
1,1 : [ 0.48067]

---

成功地解决了它。与您共享解决方案，以便您也可以使用它：

我没有使用

trainer.trainUntilConvergence（）

，而是调用了

trainer.train（）

K次（我使用了

K=1000

），结果成功了

我的代码中的更改：

#trainer.trainiuntlconvergence（）
对于X范围内的i（1000）：
培训师

输出的变化：

0,0 : [ 0.00347109]
0,1 : [ 0.99712772]
1,0 : [ 0.99725655]
1,1 : [ 0.00121727]

请注意，当我没有使用足够的迭代（例如100次）时，我得到了错误的输出

添加@dnth注释的重要注释：

---

trainUntilConvergence（）不起作用的原因是，此方法将数据分为75%的训练和25%的验证。由于XOR问题只有4个样本数据，因此已取出1个数据作为验证数据，仅对其余3个数据进行训练。因此，网络找到的解决方案很差，因为XOR的所有情况下的训练数据都不完整

---

（验证==测试集）

trainUntilConvergence（）不起作用的原因是，此方法将数据分为75%的培训和25%的验证。由于XOR问题只有4个样本数据，因此已取出1个数据作为验证数据，仅对其余3个数据进行训练。因此，网络发现的解决方案很差，因为XORI不知道所有情况下的训练数据都不完整。“验证”的含义是什么？它是否检查它是否经过良好的培训（例如，当您有培训集和测试集时）？或者“验证”是训练神经网络时采取的另一个步骤？是的，在这种情况下，验证是测试集。。在培训期间隔离，仅用于在培训期间测试网络。。