Neural network 神经网络不'；异或门测试中的t工作 我尝试用C++实现有监督的机器学习。我正在使用XOR测试网络是否正常工作。但是，它不起作用。误差确实会收敛，但当我使用相同的输入来预测输出时，它们并不像预期的那样
输入：[[0,0]，[0,1]，[1,0]，[1,1]] 预期输出：[[0]、[1]、[1]、[0]] 图层：2->2->1；学习率：0.1；激活功能：乙状结肠 我已经发现在正向传播中不存在打字错误/数学问题，并且我认为在反向传播中可能存在一些问题 这是我的反向传播函数：Neural network 神经网络不'；异或门测试中的t工作 我尝试用C++实现有监督的机器学习。我正在使用XOR测试网络是否正常工作。但是，它不起作用。误差确实会收敛，但当我使用相同的输入来预测输出时，它们并不像预期的那样,neural-network,c++17,Neural Network,C++17,输入：[[0,0]，[0,1]，[1,0]，[1,1]] 预期输出：[[0]、[1]、[1]、[0]] 图层：2->2->1；学习率：0.1；激活功能：乙状结肠 我已经发现在正向传播中不存在打字错误/数学问题，并且我认为在反向传播中可能存在一些问题 这是我的反向传播函数： void BackPropagate(){ if (label_set.empty()) { printf("You Need To Set Up Your Labels First! (Cal
void BackPropagate(){
if (label_set.empty()) {
printf("You Need To Set Up Your Labels First! (Call : \"SetLabel(...)\")\n");
return;
}
unsigned int last_layer = layer_size - 1;
// back prop of last layer
for (unsigned int neu = 0; neu < neurons[last_layer].size(); ++neu){
vector<double> y_sub = subtract(neurons[last_layer][neu].activated_output, transpose(label_set)[neu]); //(ŷ - y)
vector<double> dacti_a; dacti_a.reserve(training_set_size); // dsigmoid( sum_product_output )
for (double value : neurons[last_layer][neu].output)
dacti_a.push_back(deri_active(value, neurons[last_layer][neu].act_fcn));
neurons[last_layer][neu].delta = multiply(y_sub, dacti_a); // update delta
// update weight and bias
neurons[last_layer][neu].bias -= learning_rate * sum(neurons[last_layer][neu].delta);
for (unsigned pren = 0; pren < connections[last_layer][neu].size(); ++pren) {
connections[last_layer][neu][pren].weight -= learning_rate *sum(
multiply(neurons[last_layer][neu].delta,neurons[last_layer - 1][pren].output));
}
}
// back prop of hidden layers
for (unsigned int layer = last_layer - 1; layer > 0; --layer){
for (unsigned int neu = 0; neu < neurons[layer].size(); ++neu){
vector<double> weight_delta = multiply(neurons[layer + 1][0].delta,
vector<double>(), connections[layer+1][0][neu].weight); // sum(weight*delta)
for (unsigned int posn = 1; posn < neurons[layer+1].size(); ++posn)
weight_delta = addition(weight_delta,
multiply(neurons[layer+1][posn].delta, vector<double>(), connections[layer+1][posn][neu].weight));
vector<double> dsig_a; dsig_a.reserve(training_set_size); // dsigmoid( sum_product_output )
for (double value : neurons[layer][neu].output)
dsig_a.push_back(deri_active(value, neurons[layer][neu].act_fcn));
neurons[layer][neu].delta = multiply(weight_delta, dsig_a); // update delta
// update weight and bias
neurons[layer][neu].bias -= learning_rate * sum(neurons[layer][neu].delta);
for (unsigned pren = 0; pren < connections[layer][neu].size(); ++pren)
connections[layer][neu][pren].weight -= learning_rate *
sum(multiply(neurons[layer][neu].delta, neurons[layer-1][pren].output));
}
}
}
void BackPropagate（）{
if（label_set.empty（））{
printf（“您需要先设置标签！（调用：\“SetLabel（…）\”）”）\n）；
返回；
}
unsigned int last_layer=layer_size-1；
//最后一层背撑
对于（无符号整数neu=0；neu<神经元[最后一层].size（）；++neu）{
向量y_sub=subtract（神经元[最后一层][neu]。激活的_输出，转置（标签集）[neu]）；/（ŷ-y）
向量dacti_a；dacti_a.reserve（训练集大小）；//dsigomoid（和积输出）
for（双值：神经元[最后一层][neu]。输出）
dacti_a.推回（deri_active（值，神经元[最后一层][neu].动作[fcn]）；
神经元[last_layer][neu].delta=multiply（y_sub，dacti_a）；//更新delta
//更新权重和偏差
神经元[last_layer][neu]。偏差-=学习率*和（神经元[last_layer][neu]。δ）；
对于（无符号pren=0；pren0；--层）{
对于（无符号整数neu=0；neu