我尝试使用以下神经网络来实现一个简单的与门，但似乎没有工作。以下是我的代码：

import numpy as npdef sigmoid(x,derivative=False):    if(derivative==True):        return x*(1-x)    return 1/(1+np.exp(-x))np.random.seed(1)weights = np.array([0,0,0])training = np.array([[[1,1,1],1],                    [[1,1,0],0],                    [[1,0,1],0],                    [[1,0,0],0]])for iter in xrange(training.shape[0]):#forwardPropagation:        a_layer1 = training[iter][0]        z_layer2 = np.dot(weights,a_layer1)        a_layer2 = sigmoid(z_layer2)        hypothesis_theta = a_layer2#backPropagation:        delta_neuron1_layer2 = a_layer2 - training[iter][1]        Delta_neuron1_layer2 = np.dot(a_layer2,delta_neuron1_layer2)        update = Delta_neuron1_layer2/training.shape[0]        weights = weights-updatex = np.array([1,0,1])print weightsprint sigmoid(np.dot(weights,x))

上面的程序一直返回奇怪的值，输入X返回的值高于数组[1,1,1]。每个训练/测试’输入’的第一个元素代表偏置单元。代码是基于Andrew Ng在Coursera的机器学习课程视频改编的： https://www.coursera.org/learn/machine-learning

提前感谢您的帮助。

回答：

几点建议：

1. 神经网络需要大量数据。你不能只传递几个样本就期望它学到很多东西。
2. 你使用的是列表和一维数组而不是二维数组。这在使用numpy时是危险的，因为它会在没有指定形状的情况下盲目地进行广播，这在某些情况下可能是危险的。
3. 你在反向传播中没有使用sigmoid的导数，这是不正确的。

我已经重新调整了你的数组，并且增加了你的输入量。

输出：

[[ 0.34224604]][[ 0.19976054]][[ 0.52710321]]

这还不完美，还有改进的空间。但至少，你现在有了一些成果。预期输出理论值为0的输入，其结果比预期输出理论值为1的输入更接近0。