Machine learning 为什么不'；我的体重没有更新吗？

我正在尝试这个非常简单的神经网络，它可以判断一个数字是奇数还是偶数。 标签：[1，0]表示它是偶数。我使用两个输出神经元，因为我使用的是softmax函数

我的代码：

将tensorflow导入为tf
数据_in=[
[1],
[2],
[3]
]
数据_lbl=[
[0, 1],
[1, 0],
[0, 1]
]
#惠普
学习率=0.1
纪元=10000
ip=tf.placeholder（'float'，[None，1]）
labels=tf.placeholder（'float'，[None，2]）
w1=tf.变量（tf.随机_正态（[1,2]））
w2=tf.变量（tf.随机_正态（[2,2]））
l1=tf.matmul（ip，w1）
l2=tf.matmul（l1，w2）
l2=tf.nn.softmax（l2）
损失=tf.减少平均值（（标签-l2）**2）
train=tf.train.GradientDescentOptimizer（学习率）。最小化（损失）
sess=tf.Session（）
sess.run（tf.global\u variables\u initializer（））
对于范围内的历元（历元）：
_，err=sess.run（[train，loss]，feed\u dict={ip:data\u in，labels:data\u lbl}）
打印（错误）
打印（sess.run（l2，feed_dict={ip:[2]，[5]，[7]}））
#[是，不是]
#1=偶数
sess.close（）

---

我的错误没有改变，我得到了错误的答案。建议？

这里有多个问题，解决这些问题至少会让你学到一些东西：

• 除了最终的softmax，您的网络中没有任何非线性。你需要非线性，因为奇偶校验不是线性函数
• 中间层非常小
• 你的训练样本非常有限
• 你没有偏见

---

此外，奇偶校验是一个很难学习的概念，因此它可以推广到训练集中没有的数字。

对于NN来说，数字奇偶校验不是一个容易解决的问题。你是否先尝试过其他问题？像一个简单的与门？您的培训集也非常小，而且是硬编码的。你可以很容易地使用一个函数来生成训练数据，使网络暴露在更多的场景中。而且你的隐藏层上没有任何激活函数。