什么？神经网络还能创造新知识？(2)

异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。

异或运算神经网络的Loss和epochs对比

异或运算神经网络的Accuracy 和epochs对比

然而，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。

Python的脚本输出

使用这些参数来重建神经网络(再次使用Excel)。由三个操作符组成。

基于Keras训练的异或运算神经网络

通过输入所有可能的配置，可以识别与H1、H2和O操作符关联的布尔函数。

Keras在异或运算神经网络中的布尔函数

有趣的是，本以为Keras 神经网络与所建构的逻辑是一样的，但它却创建了另一种解决方案。使用OR，AND和(相对没人知道的)INH，而非操作符NAND, OR 和AND，即神经网络找到的公式。

XOR (x,y) = INH ( OR (x,y), AND (x,y) ) 

这表明神经网络可以获得以前没有的知识!当然“新知识”是相对的，并且取决于知道的程度。也就是说，若一个人知道异或运算的所有表示形式，Keras 神经网络就不会有其他价值。

此外，对于更复杂的神经网络，将权值转换为显式算法或公式并不容易。但也许这种专业知识是未来人工智能专家必须具备的能力。

（编辑：ASP站长网）