我知道一个由2层3个神经元组成的ANN可以解决XOR问题
Input1----Neuron1\ \ / \ / \ +------->Neuron3 / \ /Input2----Neuron2/但是为了简化这个ANN，仅用2个神经元（Neuron1接收2个输入，Neuron2仅接收1个输入）能解决XOR问题吗？
Input1 \ \ Neuron1------->Neuron2 / Input2/人工神经元接收一个或多个输入… https://en.wikipedia.org/wiki/Artificial_neuron
偏置输入’1’在两个图中都被假定为始终存在。
旁注:
单个神经元可以解决XOR问题，但需要额外的输入x1*x2或x1+x2 https://www.quora.com/Why-cant-the-XOR-problem-be-solved-by-a-one-layer-perceptron/answer/Razvan-Popovici/log
第二张图中的ANN形式可以通过给Neuron1或Neuron2添加上述额外输入来解决XOR问题吗？
回答：
当然这是可能的。但在用两个神经元解决XOR问题之前，我想先讨论一下线性可分性。一个问题如果只需要一个超平面就能划分决策边界，那么它就是线性可分的。（超平面只是用来区分类别的平面。对于一个N维问题，即一个有N个特征作为输入的问题，超平面将是一个N-1维的平面。）因此，对于一个2输入的XOR问题，超平面将是一个一维平面，也就是一条“线”。
现在回到问题，XOR不是线性可分的。因此，我们不能直接用两个神经元解决XOR问题。下面的图片显示了无论我们在二维空间中如何画线，我们都无法区分一侧的输出与另一侧。例如，对于第一个（0,1）和（1,0）两个输入都会使XOR输出1。但是对于输入（1,1），输出是0，但我们无法将其分开，不幸的是它们落在同一侧。
所以我们有两个选项来解决这个问题：
- 使用隐藏层。但这将增加神经元的数量，超过两个。
- 另一个选项是增加维度。
让我们通过一个例子来说明如何通过增加维度来解决这个问题，同时保持神经元数量为2。
我们可以把XOR看作是从OR中减去AND的操作，如下所示，
如果你注意到上图，第一个神经元将模拟逻辑AND，经过“v=(-1.5)+(x1*1)+(x2*1)”传递给某个激活函数后，输出将根据v是负数还是正数分别被视为0或1（我不会深入细节…希望你明白我的意思）。同样，第二个神经元将模拟逻辑OR。
因此，对于真值表的前三个情况，AND神经元将保持关闭状态。但对于最后一个情况（实际上是OR与XOR不同的地方），AND神经元将被开启，为OR神经元提供一个很大的负值，这将使总和变为负数，因为这个负值足够大以使总和成为负数。因此，第二个神经元的激活函数最终会将其解释为0。
通过这种方式，我们可以用2个神经元实现XOR。
以下两个图也是我收集到的对你问题解答的解决方案：
