Neural network 假人的反向传播和训练集

我刚刚开始学习神经网络，但我缺乏技能或智力，无法从流行文章中理解如何正确准备反向传播训练方法的训练集（或其局限性）。例如，我想训练最简单的两层感知器，用反向传播（例如，修改第一层4个突触和第二层4个突触的随机初始权重）来求解XOR。简单XOR函数有两个输入，一个输出：{0,0}=>0，{0,1}=>1，{1,0}=>1，{1,1}=>0。但神经网络理论告诉我们，“反向传播需要每个输入值都有一个已知的期望输出，以便计算损失函数梯度”。这是否意味着，如果训练集中的输入量不严格等于输出量，并且无法避免这种限制，则不能应用反向传播？或者，这是否意味着，如果我想使用反向传播来解决诸如XOR之类的分类任务（即输入的数量大于输出的数量），理论告诉我们，总是有必要以类似的方式（输入=>期望的输出）：{0,0}=>{0,0}，{0,1}=>{1,1}，{1,0}=>{1,1}，{1,1}=>{0,0}？ 提前谢谢你的帮助

这是否意味着，如果训练集中的输入量不严格等于输出量，则不能应用反向传播

如果你的意思是分类任务中的输出是“类”，我不这么认为

为了计算损失函数梯度，反向传播需要每个输入值的已知期望输出

我认为这意味着每个输入都应该有一个输出，而不是不同的输出

在现实问题中，像手写数字分类（MNIST），大约有50000个数据训练（输入），但只分类到10位