神经网络还能创造新知识？

通过神经网络透明原则来揭示其“黑盒知识”，为此来检验一个布尔异或函数的神经网络。首先，利用已知异或属性过程构造了一个自底向上的神经网络，即清晰包含已知的代数关系。在第二步中使用TensorFlow Keras从简易图形化编程工具到异或逻辑运算训练神经网络。

***比较两种方法。将Keras神经网络分解为布尔组件，发现逻辑设置与***步中构造的神经网络不同。被训练的神经网络发现了使用不同布尔函数的另一种异或运算表示方法。

这另一种异或公式在数学领域不是未知的，但至少很新奇。这或许表明神经网络可以创造新的知识。但要提取它，必须能够将神经网络的设置和参数转化为显式规则。而这些标识列导致了更复杂的网络。

此外，由于异或运算不能通过线性可分(且激活函数严格单调)，因此，不可能建立两层的神经网络。

但也许还有其他方法可以构建异或运算的神经网络呢?下一节将通过训练神经网络来寻找另一种解决方案。

使用TensorFlow Keras构建异或神经网络

Keras是一个功能强大且易于使用的神经网络库。上一节中建立了一个三层的2-2-1模型，并与之前建构的神经网络进行了比较。

使用梯度下降优化器与学习率1和均方误差损失函数的误差反向传播，这是建构神经网络的标准方法。

以下是Python的代码片段：或运算的好处是可以训练整个参数空间，因为只有四种可能的配置可以教。然而，需要一些在神经网络中传递数据集的过程来驱动模型达到零损耗和100%精准，即输出趋向于一个分别是(0,1)、(1,0)和(0,0)、(1,1)的零。而，训练期也可能陷入停滞，无法衔接。接着精准度停止在75%甚至50%，即一个或两个二元元组的映射是不正确的。在这种情况下就要重新构建神经网络，直到得到合适的解决方案。

分析和结论

现在验证Keras神经网络是否与建构的具有相似结构。通过返回权值(参见代码片段的末尾)，得到了权值和偏差值。

（编辑：PHP编程网 - 黄冈站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!