Machine learning 反向传播如何在分类器中工作？

我想我把反向传播理解为一个概念

我实现了本教程：

还有这个：

只要我有一组输入到一组输出的常量映射，这就很有效

然而，一旦我有了与输入相关的不同输出，例如AND门，如下所示：

[
    { input: [0, 0], output: [0] },
    { input: [0, 1], output: [0] },
    { input: [1, 0], output: [0] },
    { input: [1, 1], output: [1] },
    { input: [1, 1], output: [1] },
    { input: [1, 1], output: [1] },
]

由于每次输出假设为0时，所有权重都会朝着0调整，同样，如果输出假设为1，则整个概念都会分离

我绞尽脑汁想找出我在这里丢失的那块

---

如何根据输入调整权重？

Backprop出现在很久以前，您可能只是从opensource ML库（如OpenCV（））中读取一些工作代码，或者尝试理解。Backprop出现在很久以前，您可能只是从opensource ML库（如OpenCV（））中读取一些工作代码或者试着去理解。