深层神经网络——多层网络解决异或运算

异或（xor）是一个数学运算符。它应用于逻辑运算。异或的数学符号为“⊕”，计算机符号为“xor”。其运算法则为：
a⊕b = (¬a ∧ b) ∨ (a ∧¬b)
如果a、b两个值不相同，则异或结果为1。如果a、b两个值相同，异或结果为0。
异或也叫半加运算，其运算法则相当于不带进位的二进制加法：二进制下用1表示真，0表示假，则异或的运算法则为：0⊕0=0，1⊕0=1，0⊕1=1，1⊕1=0（同为0，异为1），这些法则与加法是相同的，只是不带进位。

深度学习重要性质：多层变换
感知机模型从数学上完成了对神经网络的精确建模，感知机可以简单的理解为单层的神经网络。以下神经元结构就是感知机的网络结构。

感知机会先将输入进行加权和，再通过ReLu、sigmoid等激活函数得到输出。这个结构就是一个没有隐藏层的神经网络。
感知机是无法模拟异或运算的。但是当加入隐藏层后，异或问题就可以得到很好的解决。从Tensorflow游乐场中可以得知，当没有隐藏层，神经网络（感知机）无法模拟异或运算，但是一旦加入隐藏层，异或问题就能很好的解决了。
我们可以得出结论，深层神经网络实际上具有组合特征提取的功能。这个特性对于不易提取特征向量的问题（图片识别、语音识别等）有很大帮助。