Python 基于多层感知器的异或分类

我想实现一个多层感知器。
我在GitHub上发现了一些对MNIST分类很好的代码（96%）。但是，由于某些原因，它不能处理XOR任务。
我想知道原因。
代码如下：

感知器

随机导入
将numpy作为np导入
类感知器：
定义初始值（自、*、层大小、激活函数、成本函数）：
self.layer\u size=层大小
如果透镜（自身层大小）-1！=len（激活功能）：
提升值错误（“…”）
自激活功能=激活功能
self.cost\u function\u deriv=cost\u function\u deriv
self.biases=[np.random.randn（y，1）表示层大小[1:]
self.weights=[np.random.randn（y，x）表示拉链中的x，y（层大小[：-1]，层大小[1:]）]
def序列（自我、训练数据、测试数据、时代、小批量、lr）：
测试数据长度=长度（测试数据）
对于范围内的历元（历元）：
随机洗牌（训练数据）
小批量=[训练数据[x:x+小批量大小]
对于范围内的x（0，len（训练数据），最小批量大小）]
对于mini_批次中的mini_批次：
mb_len=len（小批量）
梯度_权重=[自权重中w的np.zero（w.shape）]
梯度_偏差=[自偏差中b的np.零（b.形状）]
对于小批量中的x、y：
增量梯度偏差，增量梯度权重=自反向传播（np.数组（x），y）
渐变权重=[渐变+渐变增量，拉链中的增量（渐变权重，渐变权重）]
梯度偏差=[梯度+增量表示梯度，增量表示压缩（梯度偏差，增量梯度偏差）]
自重=[w-（lr/mb长度）*w的梯度，拉链的梯度（自重，梯度重量）]
自偏差=[b-（lr/mb_len）*b的梯度，zip中的梯度（自偏差，梯度_偏差）]
正确答案=自我。有多少正确答案（测试数据）
打印（f“历元编号{Epoch}:{正确答案}/{测试数据}正确答案”）
def反向传播（自、x、y）：
梯度_b=[自偏压中b的np.零（b.形状）]
梯度w=[np.零（w.形状）表示自权重中的w]
激活=[x]
上一次激活=x
对于枚举中的i，（b，w）（zip（自偏压，自权重））：
当前激活=自激活功能[i]（np.dot（w，前激活）+b）
activations.append（当前\u激活）
上一次激活=当前激活
delta=self.cost\u function\u deriv（激活[-1]，y）*self.activation\u functions[-1].deriv（激活[-1]）
梯度_b[-1]=δ
梯度w[-1]=np.dot（增量，激活[-2].T）
对于范围内的i（2，len（自层大小））：
z=激活[-i]
act_der=self.activation_函数[-i+1].deriv（z）
delta=np.dot（自身权重[-i+1].T，delta）*动作顺序
梯度_b[-i]=δ
梯度w[-i]=np.dot（增量，激活[-i-1].T）
#正常索引变量：
#对于范围内的i（透镜（自层）-1，0，-1）：
#z=激活[i]
#act_der=self.activation_函数[i].deriv（z）
#delta=np.dot（自身权重[i].T，delta）*作用顺序
#梯度_b[i-1]=δ
#梯度w[i-1]=np.dot（增量，激活[i-1].T）
返回梯度b，梯度w
def前馈（自，a）：
对于枚举中的i，（b，w）（zip（自偏压，自权重））：
a=自激活函数[i]（np.dot（w，a）+b）
归还
定义正确答案的数量（自我、测试数据）：
k=0
对于测试数据中的x，y：
y_predict=np.argmax（自前馈（x））
打印（y_，y）
k+=int（y_=y）
返回k

main.py

从复制导入deepcopy
将numpy作为np导入
从感知器导入感知器
乙状结肠类：
out\u min\u max=[0,1]
定义调用（self，x）：
返回1./（1.+np.exp（-x））
def deriv（自我，y）：
#t=self（x）
#返回t*（1.-t）
返回y*（1.-y）
def成本函数导数（y预测，y真实标签）：
label_vector=np.zero（y_.shape）
label\u vector[y\u true\u label]=1.0
返回y_预测-标签_向量
def main（）：
训练数据=np.asarray（[[0]，[0]]，0],，
[[[0], [1]], 1],
[[[1], [0]], 1],
[[[1], [1]], 0]])
图层大小=[2,8,2]
模型=感知器（层大小=层大小，
激活函数=[Sigmoid（），Sigmoid（）]，
成本函数导数=成本函数导数）
模型列车（deepcopy（列车数据），
deepcopy（培训数据），
纪元=10000，
最小批量大小=4，
lr=0.01）
如果uuuu name uuuuuu='\uuuuuuu main\uuuuuuu'：
main（）

格式为“y_predict y_true”的最终输出（在每个历元之后）：
0 0
01
01
0 0

如果删除random.shuffle（训练数据），则：
10
01
11
0 0

---

但不是0 1 1 0

我明白了。它需要以下几点

mini\u批量大小=1

#随机.洗牌（训练数据）--注释

epochs=10000

最好这样做：

lr=0.1

在大多数情况下，结果是在大约1000个时代之后获得的：
0 0
11
11
0 0