基于神经网络的双输入XOR门权重赋值异常求助

我来帮你梳理下代码里的问题，以及如何修正得到正确的XOR输出：

核心问题分析 #

1. 无效的__init__方法：你写了__init__但没有定义类，这在当前代码里完全不起作用，权重设置逻辑根本没执行。而且你试图用输入样本的x1/x2来动态设置权重，但手动设置权重应该是固定的，和输入样本无关——我们需要的是一组通用权重，能处理所有XOR的输入组合。
2. 激活函数选择错误：
   • softmax用于多分类任务，单神经元用softmax会强制输出为1，这就是你得到全1的原因；
   • 之前用sigmoid/linear输出不对，是因为权重设置逻辑错误，不是激活函数本身的问题。
3. 权重逻辑不符合XOR的计算规则：你原来的权重设置没有正确构建XOR所需的中间逻辑（XOR等价于(x1 AND NOT x2) OR (NOT x1 AND x2)）。

修正后的代码 #

import numpy as np
import keras

# 构建模型：隐藏层2个神经元（relu激活），输出层1个神经元（linear激活）
model = keras.models.Sequential()
model.add(keras.layers.Dense(2, activation='relu', input_shape=(2,), use_bias=False))  # 隐藏层
model.add(keras.layers.Dense(1, activation='linear', use_bias=False))  # 输出层用linear，直接输出数值

# 手动设置权重：符合XOR的逻辑
# w1: 输入层(2个神经元) → 隐藏层(2个神经元)的权重
w1 = np.array([
    [1, -1],   # 第一个隐藏神经元：计算x1 - x2 → 对应x1 AND NOT x2的逻辑（relu后只有x1=1,x2=0时输出1）
    [-1, 1]    # 第二个隐藏神经元：计算-x1 + x2 → 对应NOT x1 AND x2的逻辑（relu后只有x1=0,x2=1时输出1）
])

# w2: 隐藏层(2个神经元) → 输出层(1个神经元)的权重
w2 = np.array([[1], [1]])  # 把两个隐藏神经元的输出相加，得到XOR结果

# 加载权重到模型
model.set_weights([w1, w2])

# 测试XOR的所有输入组合
x = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
predictions = model.predict(x)

print("XOR输出结果：")
for input_val, pred in zip(x, predictions):
    print(f"输入{input_val} → 输出{round(pred[0])}")

代码解释 #

1. 模型结构：
   • 隐藏层用relu激活，因为我们需要把负数输出置0，只保留符合条件的正输出；
   • 输出层用linear激活，直接输出隐藏层结果的和，正好对应XOR的0/1输出。
2. 权重逻辑：
   • 第一个隐藏神经元：x1*1 + x2*(-1)，当x1=1,x2=0时结果为1（relu后保留1），其他情况结果≤0（relu后变为0）；
   • 第二个隐藏神经元：x1*(-1) + x2*1，当x1=0,x2=1时结果为1（relu后保留1），其他情况结果≤0（relu后变为0）；
   • 输出层把两个隐藏神经元的输出相加：只有当其中一个隐藏神经元输出1时，结果为1（对应XOR的真），否则为0（对应XOR的假）。
3. 测试结果：运行代码后会输出：

   XOR输出结果：
   输入[0 0] → 输出0
   输入[0 1] → 输出1
   输入[1 0] → 输出1
   输入[1 1] → 输出0
   

   完全符合XOR门的预期结果。

如果你想改用sigmoid作为输出层激活函数，只需要把输出层的activation='linear'改成activation='sigmoid'，然后权重可以保持不变，此时输出会是接近0或1的概率值，你可以用round(pred[0])来得到0/1的结果。

内容的提问来源于stack exchange，提问作者Lavanya