PyBrain:为什么PyBrain NN不学习分类异或？

Question

我有以下代码：

from pybrain.datasets import SupervisedDataSet
from pybrain.supervised.trainers import BackpropTrainer
from pybrain.tools.shortcuts import buildNetwork
from pybrain.structure import TanhLayer 

ds = SupervisedDataSet(2, 1)

ds.addSample((0, 0), (0,))
ds.addSample((0, 1), (1,))
ds.addSample((1, 0), (1,))
ds.addSample((1, 1), (0,))

net = buildNetwork(2, 3, 1, bias=True, hiddenclass=TanhLayer)
trainer = BackpropTrainer(net, ds)

trainer.trainUntilConvergence()

print '0,0 : {0}'.format(net.activate([0, 0]))
print '0,1 : {0}'.format(net.activate([0, 1]))
print '1,0 : {0}'.format(net.activate([1, 0]))
print '1,1 : {0}'.format(net.activate([1, 1]))

我得到的输出总是收敛到与异或不同的地方。例如，我得到了一个输出：

0,0 : [ 1.33865922]
0,1 : [ 0.78127428]
1,0 : [ 0.8318278]
1,1 : [ 0.48067]

Answer 1

成功地解决了它。与您共享解决方案，因此您也可以使用它：

我没有使用trainer.trainUntilCovergence()，而是调用了trainer.train() K倍(我使用了K=1000)，它起作用了

对我代码的修改：

#trainer.trainUntilConvergence()
for i in xrange(1000):
    trainer.train()

产出的变化：

0,0 : [ 0.00347109]
0,1 : [ 0.99712772]
1,0 : [ 0.99725655]
1,1 : [ 0.00121727]

注意，当我没有使用足够的迭代(例如100)时，我得到了错误的输出。

添加一个重要的@dnth注释：

trainUntilConvergence()不起作用的原因是这种方法将您的数据分为75%的培训和25%的验证。因为对于XOR问题，只有4个样本数据，因此已经提取了1个数据作为验证数据，并且只对其余的3个数据进行了培训。因此，网络找到的解决方案很差，因为所有XOR的培训数据都不完整。

(验证==测试集)