Ruby 简单神经网络可以'；不学习异或

我试图学习神经网络，并编写了一个简单的反向传播神经网络，它使用sigmoid激活函数、随机权重初始化和学习/梯度动量

当配置为2个输入、2个隐藏节点和1时，它无法学习XOR和and。但是，它将正确地学习或使用

我看不出我做错了什么，所以任何帮助都将不胜感激

谢谢

编辑：如上所述，我使用2个隐藏节点进行了测试，但下面的代码显示了3个节点的配置。在使用3个隐藏节点运行测试后，我只是忘记将其改回2

network.rb：

module Neural

class Network

    attr_accessor :num_inputs, :num_hidden_nodes, :num_output_nodes, :input_weights, :hidden_weights, :hidden_nodes, 
                    :output_nodes, :inputs, :output_error_gradients, :hidden_error_gradients,
                    :previous_input_weight_deltas, :previous_hidden_weight_deltas

    def initialize(config)
        initialize_input(config)
        initialize_nodes(config)
        initialize_weights
    end

    def initialize_input(config)
        self.num_inputs = config[:inputs]
        self.inputs = Array.new(num_inputs+1)
        self.inputs[-1] = -1
    end

    def initialize_nodes(config)
        self.num_hidden_nodes = config[:hidden_nodes]
        self.num_output_nodes = config[:output_nodes]
        # treat threshold as an additional input/hidden node with no incoming inputs and a value of -1
        self.output_nodes = Array.new(num_output_nodes)
        self.hidden_nodes = Array.new(num_hidden_nodes+1)
        self.hidden_nodes[-1] = -1
    end

    def initialize_weights
        # treat threshold as an additional input/hidden node with no incoming inputs and a value of -1
        self.input_weights = Array.new(hidden_nodes.size){Array.new(num_inputs+1)}
        self.hidden_weights = Array.new(output_nodes.size){Array.new(num_hidden_nodes+1)}
        set_random_weights(input_weights)
        set_random_weights(hidden_weights)
        self.previous_input_weight_deltas = Array.new(hidden_nodes.size){Array.new(num_inputs+1){0}}
        self.previous_hidden_weight_deltas = Array.new(output_nodes.size){Array.new(num_hidden_nodes+1){0}}
    end

    def set_random_weights(weights)
        (0...weights.size).each do |i|
            (0...weights[i].size).each do |j|
                weights[i][j] = (rand(100) - 49).to_f / 100
            end
        end
    end

    def calculate_node_values(inputs)
        inputs.each_index do |i|
            self.inputs[i] = inputs[i]
        end

        set_node_values(self.inputs, input_weights, hidden_nodes)
        set_node_values(hidden_nodes, hidden_weights, output_nodes)
    end

    def set_node_values(values, weights, nodes)
        (0...weights.size).each do |i|
            nodes[i] = Network::sigmoid(values.zip(weights[i]).map{|v,w| v*w}.inject(:+))
        end
    end

    def predict(inputs)
        calculate_node_values(inputs)
        output_nodes.size == 1 ? output_nodes[0] : output_nodes
    end

    def train(inputs, desired_results, learning_rate, momentum_rate)
        calculate_node_values(inputs)
        backpropogate_weights(desired_results, learning_rate, momentum_rate)
    end

    def backpropogate_weights(desired_results, learning_rate, momentum_rate)
        output_error_gradients = calculate_output_error_gradients(desired_results)
        hidden_error_gradients = calculate_hidden_error_gradients(output_error_gradients)
        update_all_weights(inputs, desired_results, hidden_error_gradients, output_error_gradients, learning_rate, momentum_rate)
    end

    def self.sigmoid(x)
        1.0 / (1 + Math::E**-x)
    end

    def self.dsigmoid(x)
        sigmoid(x) * (1 - sigmoid(x))
    end

    def calculate_output_error_gradients(desired_results)
        desired_results.zip(output_nodes).map{|desired, result| (desired - result) * Network::dsigmoid(result)}
    end

    def reversed_hidden_weights
        # array[hidden node][weights to output nodes]
        reversed = Array.new(hidden_nodes.size){Array.new(output_nodes.size)}
        hidden_weights.each_index do |i|
            hidden_weights[i].each_index do |j|
                reversed[j][i] = hidden_weights[i][j];
            end
        end
        reversed

    end

    def calculate_hidden_error_gradients(output_error_gradients)
        reversed = reversed_hidden_weights
        hidden_nodes.each_with_index.map do |node, i|
            Network::dsigmoid(hidden_nodes[i]) * output_error_gradients.zip(reversed[i]).map{|error, weight| error*weight}.inject(:+)
        end
    end

    def update_all_weights(inputs, desired_results, hidden_error_gradients, output_error_gradients, learning_rate, momentum_rate)
        update_weights(hidden_nodes, inputs, input_weights, hidden_error_gradients, learning_rate, previous_input_weight_deltas, momentum_rate)
        update_weights(output_nodes, hidden_nodes, hidden_weights, output_error_gradients, learning_rate, previous_hidden_weight_deltas, momentum_rate)
    end

    def update_weights(nodes, values, weights, gradients, learning_rate, previous_deltas, momentum_rate)
        weights.each_index do |i|
            weights[i].each_index do |j|
                delta = learning_rate * gradients[i] * values[j]
                weights[i][j] += delta + momentum_rate * previous_deltas[i][j]
                previous_deltas[i][j] = delta
            end
        end


    end

end

end

test.rb：

#!/usr/bin/ruby

load "network.rb"

learning_rate = 0.3
momentum_rate = 0.2

nn = Neural::Network.new(:inputs => 2, :hidden_nodes => 3, :output_nodes => 1)
10000.times do |i|
    # XOR - doesn't work
    nn.train([0, 0], [0], learning_rate, momentum_rate)
    nn.train([1, 0], [1], learning_rate, momentum_rate)
    nn.train([0, 1], [1], learning_rate, momentum_rate)
    nn.train([1, 1], [0], learning_rate, momentum_rate)

    # AND - very rarely works
    # nn.train([0, 0], [0], learning_rate, momentum_rate)
    # nn.train([1, 0], [0], learning_rate, momentum_rate)
    # nn.train([0, 1], [0], learning_rate, momentum_rate)
    # nn.train([1, 1], [1], learning_rate, momentum_rate)

    # OR - works
    # nn.train([0, 0], [0], learning_rate, momentum_rate)
    # nn.train([1, 0], [1], learning_rate, momentum_rate)
    # nn.train([0, 1], [1], learning_rate, momentum_rate)
    # nn.train([1, 1], [1], learning_rate, momentum_rate)
end

puts "--- TESTING ---"
puts "[0, 0]"
puts "result "+nn.predict([0, 0]).to_s
puts
puts "[1, 0]"
puts "result "+nn.predict([1, 0]).to_s
puts
puts "[0, 1]"
puts "result "+nn.predict([0, 1]).to_s
puts
puts "[1, 1]"
puts "result "+nn.predict([1, 1]).to_s
puts

---

我的答案不是关于ruby，而是关于神经网络。 首先，你必须了解如何在纸上写下你的输入和你的网络。如果实现二进制运算符，则空间将由XY平面上的四个点组成。在X轴和Y轴上标记“真”和“假”，并绘制四个点。如果你做对了，你会得到这样的东西

现在（也许你不知道神经元的这种解释）试着把神经元画成平面上的一条线，根据你的需要分开你的点。例如，这是和的行： 该行将正确答案与错误答案分开。如果您理解，您可以为或写一行。XOR将是一个麻烦

作为调试的最后一步，将神经元实现为一条线。找一篇关于它的文献，我不记得如何通过现有的线路来构建神经元。这将是简单的，真的。然后为其构建一个神经元向量并实现它。实现和作为一个单神经元网络，其中神经元被定义为和，在纸上计算。如果你做的一切都正确，你的网络就会正常运作。 我写了这么多的信，只是因为你在理解任务之前写了一个程序。我不想粗鲁，但你提到XOR就说明了这一点。如果你试图在一个神经元上构建XOR，你将一无所获——不可能区分正确答案和错误答案。在书中它被称为“XOR不是线性可分的”。因此，对于XOR，您需要构建一个两层网络。例如，您将具有AND和not或作为第一层和作为第二层

---

如果您仍然阅读本文并且理解我写的内容，那么调试网络就不会有任何问题。如果您的网络无法学习某些功能，请将其构建在纸上，然后对网络进行硬编码并进行测试。如果仍然失败，你就把它建立在一篇不正确的论文上——重读我的讲座；）

我也有同样的问题，答案是——使用更高的学习速度值。对于具有

phi（x）=x/（1+| x |）

---

可能现在你的NN学习速度没有足够的“力量”来完成这项工作。

< P>如果你想考虑神经进化，你可以检查<代码> NoeEvo < /C>宝石。运行规范，查看它在15次迭代中是否适合XOR（前馈网络，

XNES

optimizer）：

完全披露：我是开发者（大家好！）。

---

我最近刚开始发布我的代码，正在寻找反馈。

我将通过设置一个完整的测试用例来开始调试，其中包括两个示例的初始权重和导数/错误，然后进入代码。您应该将其减少到解释问题的代码的最小部分。你这里的几乎是一个完整的应用程序。你的程序看起来可能正在做一些有趣的事情。但是每种语言都有自己的约定，Ruby的一部分力量在于它的简洁性。你可能会把这个问题带到codereview.stackexchange.com.Comments上的类似帖子上，以便查看OP的代码，所以我决定发布我的整个应用程序。然而，我同意，这是冗长的，坦率地说，我对这些数字或答复感到惊讶。在发布之前，我浏览了一个测试用例，并在反向传播的每个步骤中验证了计算值是否与预期值匹配。我将尝试使用其他测试用例，并阅读更多关于BP的内容，以了解我是否误解了该算法。这段代码似乎有四个节点分为两层：中间层有三个节点，输出层有一个节点。好的，谢谢，我没有仔细阅读代码。所以快速的答案可能是：尝试从两个节点创建中间层，然后重新运行您的算法。