TensorFlow搭建Simple Neural Network训练XNOR门出现维度不兼容报错

报错原因 #

• 输入维度不匹配：你的训练输入training_inputs每条样本包含3个特征，整体数据集形状为(8,3)，但定义输入层时input_shape=[1]要求输入特征数为1，维度不匹配直接触发兼容性报错。
• 网络结构不适配任务：仅用单层无激活函数的全连接层是线性模型，无法拟合XNOR门的非线性逻辑，即便修正维度问题也无法得到正确的训练结果。

解决方案 #

修正后完整代码 #

import tensorflow as tf
import numpy as np

training_inputs = np.array([[0,0,0],[0,0,1],[0,1,0],[0,1,1],[1,0,0],[1,0,1],[1,1,0],[1,1,1]],dtype=float)
training_outputs = np.array([1,0,0,1,0,1,1,0],dtype=float)

# 调整网络结构适配输入维度与非线性任务
model = tf.keras.Sequential([
  tf.keras.layers.Dense(units=8, input_shape=[3], activation='relu'),
  tf.keras.layers.Dense(units=1, activation='sigmoid')
])

model.compile(loss='mean_squared_error',
              optimizer=tf.keras.optimizers.Adam(0.01))

history = model.fit(training_inputs, training_outputs , epochs=1000, verbose=False)

# 验证输出结果
print(model.predict(training_inputs, verbose=False).round())

核心改动说明 #

• 将输入层input_shape从[1]修改为[3]，匹配输入样本的3个特征，解决维度不匹配报错。
• 新增带relu激活函数的隐藏层，引入非线性拟合能力，适配XNOR门的非线性逻辑。
• 输出层添加sigmoid激活函数，将输出值限制在0-1区间，匹配二分类标注的取值范围。
• 适当调小学习率、增加训练轮次，保证模型可以充分收敛。

内容的提问来源于stack exchange，提问作者Parzival