前言
我们通过神经网络模型实现XNOR(异或非)运算。当2个输入端中有且只有一个0时,输出为0,也就是当输入相同时,输出为1。
神经网络实现XNOR
(一)实现x1 AND x2
AND运算是当且仅当两者都为1时结果为1。我们使用如下的神经网络模型实现:
这时候,我们的输出函数
h
θ
(
x
)
h_\theta(x)
hθ(x)即为:
h
Θ
(
x
)
=
g
(
−
30
+
20
x
1
+
20
x
2
)
h_\Theta(x)=g\left( -30+20x_1+20x_2 \right)
hΘ(x)=g(−30+20x1+20x2),我们的Sigmoid函数是这样的:
所以,当
x
1
和
x
2
x_{1}和x_{2}
x1和x2都为0时,
h
Θ
(
x
)
=
g
(
−
30
)
h_\Theta(x)=g\left(-30 \right)
hΘ(x)=g(−30),结果约等于0;当
x
1
和
x
2
x_{1}和x_{2}
x1和x2都为1时,
h
Θ
(
x
)
=
g
(
10
)
h_\Theta(x)=g\left(10 \right)
hΘ(x)=g(10),结果约等于1;当
x
1
和
x
2
x_{1}和x_{2}
x1和x2有一个为0,另一个为1时,
h
Θ
(
x
)
=
g
(
−
10
)
h_\Theta(x)=g\left(-10 \right)
hΘ(x)=g(−10),结果同样约等于0。我们可以得到如下结果:
所以这样一个模型实现了
h
Θ
(
x
)
≈
x
1
AND
x
2
h_\Theta(x) \approx \text{x}_1 \text{AND} \text{x}_2
hΘ(x)≈x1ANDx2。我们也可以看出,模型参数的值时可以更改的,能够实现功能就可以。
(二)实现x1 OR x2
OR运算是只要两者有一个或两个为1时结果就为1。我们使用如下的神经网络模型实现:
原理和AND相同,可以自行验证。
(三)实现 NOT (x)
NOT运算是输入为0则输出1,输入为1则输入0。我们使用如下的神经网络模型实现:
(四)实现(NOT x1) AND (NOT x2)
分析一下就可以得到,当且仅当x1和x2都为0时,输出才为1。我们使用如下的神经网络模型实现:
(五)实现x1 XNOR x2
我们实现以上四个功能一方面是为了熟悉神经网络运行过程,一方面就是为了实现XNOR功能。XNOR可以用以下组合表示出来:
XNOR
=
(
x
1
,
AND
,
x
2
)
OR
(
(
NOT
,
x
1
)
AND
(
NOT
,
x
2
)
)
\text{XNOR}=( \text{x}_1, \text{AND}, \text{x}_2 ) \text{OR} \left( \left( \text{NOT}, \text{x}_1 \right) \text{AND} \left( \text{NOT}, \text{x}_2 \right) \right)
XNOR=(x1,AND,x2)OR((NOT,x1)AND(NOT,x2))
先对x1和x2实现AND运算,再对NOT x1和NOT x2 实现AND运算,最后对两者进行OR运算,方法就是将上述介绍的实现过程组合起来,如图:
另外说明,XNOR运算不能像前面介绍的四个一样只用两层就能实现。由此我们初步感受了神经网络模型的运行过程。最后了解一下神经网络模型处理多分类问题是如何实现的。
(六)多类分类(Multiclass Classification)
结合上图进行说明。假设我们要实现一个区分行人、汽车、摩托车和卡车的功能,我们希望输出值是一个4维的向量,对应位置为1(或者是值最大的)说明预测结果为对应的物体。要想实现这样的输出对输入也有要求,我们要求输入也是4维的,对应的物体处标为1,其余标为0。例如,当第一个数字为1时对应行人,第二个数字为1的时候对应汽车,以此类推。