我对于为什么具有多个输入类别（例如具有三个输入和两个输出单元（无隐藏层））的感知器为何不能用于解决XOR问题感到困惑？是真的吗？
此外，我使用S形激活函数实现了一个具有三个输入单元和一个输出单元的感知器，并且似乎学习了XOR函数。但是文献似乎说这是不可能的。我想念什么吗？
最佳答案
简而言之：
我对为什么感知器具有多类别感到困惑
分类，例如，具有三个输入和两个输出单元（无
隐藏层）不能用于解决XOR问题？是真的吗？
两个输出神经元是什么意思？作为结果，您将获得两个输出信号，例如
0 0 -> 0 1
1 0 -> 0 0
0 1 -> 0 0
1 1 -> 1 0
可以用它来表示xor吗？是的，您可以在其上构建另一个模型，然后将
0 0分类为一个类，将0 1和1 0分类为另一类，但这等同于创建一个隐藏层。换句话说，您尝试做的实际上与隐藏层所做的完全相同。您正在寻找使问题更容易解决的中间表示形式，但是这种表示形式本身并不是解决方案。您需要再一层抽象。另外，我实现了一个具有三个输入单元和一个输出的感知器
单元使用S形激活函数，似乎可以学习
XOR功能。但是文献似乎说这不是
可能。我想念什么吗？
不，您没有实现这一目标。根本不可能将XOR函数表示为单层隐藏层网络-实际上，输出神经元的激活功能对分离能力没有任何影响。如果您提供了代码，则现在可以向您显示错误-您只能确保至少在以下其中一项中犯了错误：
准备数据时，您的数据集不是XOR问题（您的第三个输入是什么？它只能是某个常量值-所谓的bias，否则不是XOR）
处理数据，您实际上并没有使用单个感知器
评估-您的方法实际上无法学习XOR，但评估却相反。
关于machine-learning - 可以使用感知器使用多类别分类来解决XOR功能吗？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/31319292/