Neural network 神经网络的阈值化

我用2个输入单元、2个隐藏单元和1个输出单元为与门实现了一个神经网络。 我以0.03的学习率，用40个输入训练神经网络，共200个时代。 当我尝试测试经过训练的神经网络的数据和输入时，它会给我以下输出：

0,0=0.295（预计为0）

0,1=0.355（预计为0）

1,0=0.329（预计为0）

1,1=0.379（预计为1）

这不是网络预期的输出。但是，如果我将阈值设置为0.36，并将0.36以上的所有值设置为1，其余值设置为0，则每次神经网络输出都与预期一样。

---

我的问题是：是否需要对网络的输出应用阈值，以生成预期的输出，如我的情况？

阈值不是必需的，但可以帮助更好地分类，例如

在您的情况下，您可以为0设置阈值0.1，为1设置阈值0.9。当你的输出低于0.1时，我们可以认为它是0，如果输出高于0.9，那么它是1。p> 因此将阈值设置为0.36，仅仅因为使用测试示例它有效，这是一个非常糟糕的想法。 因为0.36远不是我们想要的输出1。因为它可能（不会）与您的所有测试数据一起工作。

你应该考虑你的代码的问题。

这不是最初的问题，但这里有一些想法：
1.看看你在每一次eopch中的训练准确性。如果学习速度较慢，请提高学习速度，并在几年后降低学习速度。
2.如果准确度不变，请查看您的背部验证算法
3.查看数据集，确保输入和输出正确
4.确保随机初始化权重

---

5.与门可以用线性神经网络求解，不需要隐藏层。Myabe是否尝试删除隐藏层？

您好，您不应该对网络的输出应用阈值。您必须将所有权重设置为随机（包括每个神经元的阈值），然后给它年代/假设结果并计算误差（假设结果和网络输出之间的差异），然后根据该误差，您必须使用反向传播（）来调整网络的每个权重。经过一段时间后，每个神经元将调整其权重（包括阈值），以从给定的输入中提供正确的输出。抱歉，重复评论，没有足够的空间，但这里是一个完整的数学反向传播演示，您应该能够通过代码再现：