Machine learning 神经网络与异或分类

我在某处读到，均方误差损失有利于回归，交叉熵损失有利于分类

当我试图将XOR训练为具有交叉熵损失的分类问题时，网络未能收敛

我的设置：

网络是2-2-2

第一个输出是信号0，第二个输出是信号1，所以有两类输入

交叉熵用于计算网络输出层的误差，而不是均方误差

作为一个激活函数，Im使用logsig

---

显然，我遗漏了什么，我的错误在哪里？

这是Mathematica中这个网络的一个实现：

net = NetChain[{2, Tanh, 2, Tanh, 1, LogisticSigmoid}, "Input" -> {2}];

eps = 0.01;
data = {{0, 0} -> {eps}, {1, 0} -> {1 - eps}, {0, 1} -> {1 - eps}, {1,
      1} -> {eps}};

trained = 
 NetTrain[net, data, CrossEntropyLossLayer["Binary"], 
  MaxTrainingRounds -> Quantity[5, "Minutes"], TargetDevice -> "GPU"]

经过几千轮之后，它们会聚在一起。所以，我不认为你遗漏了什么——你的库中可能有一个bug

---

请提供代码。很抱歉，我不能，我写我自己的库是为了教育目的，所以即使我发布代码，没有库也毫无意义。问题是，你知道我思想上的缺陷吗？例如，在训练经典异或时，必须使用tansig激活，否则它将无法收敛。你知道，我在寻找这种问题，所以我相信，缺少代码不是问题。这是一个编程网站，如果你没有代码，那么这个问题就离题了。