我有以下代码:

from pybrain.datasets import SupervisedDataSetfrom pybrain.supervised.trainers import BackpropTrainerfrom pybrain.tools.shortcuts import buildNetworkfrom pybrain.structure import TanhLayer ds = SupervisedDataSet(2, 1)ds.addSample((0, 0), (0,))ds.addSample((0, 1), (1,))ds.addSample((1, 0), (1,))ds.addSample((1, 1), (0,))net = buildNetwork(2, 3, 1, bias=True, hiddenclass=TanhLayer)trainer = BackpropTrainer(net, ds)trainer.trainUntilConvergence()print '0,0 : {0}'.format(net.activate([0, 0]))print '0,1 : {0}'.format(net.activate([0, 1]))print '1,0 : {0}'.format(net.activate([1, 0]))print '1,1 : {0}'.format(net.activate([1, 1]))

我得到的输出总是收敛到与XOR不同的结果。例如，我得到的一个输出是:

0,0 : [ 1.33865922]0,1 : [ 0.78127428]1,0 : [ 0.8318278]1,1 : [ 0.48067]

回答：

成功解决了这个问题。分享解决方案给你，你也可以使用:

我没有使用trainer.trainUntilCovergence()，而是调用了trainer.train() K次（我使用了K=1000），这样就有效了

我的代码的改动:

#trainer.trainUntilConvergence()for i in xrange(1000):    trainer.train()

输出的变化:

0,0 : [ 0.00347109]0,1 : [ 0.99712772]1,0 : [ 0.99725655]1,1 : [ 0.00121727]

请注意，当我使用不够的迭代次数（例如100次）时，我得到了错误的输出

添加@dnth评论的一个重要说明:

trainUntilConvergence()方法不起作用的原因是，该方法会将你的数据分为75%的训练数据和25%的验证数据。由于你只有4个样本数据用于XOR问题，其中1个数据被拿出来作为验证数据，训练仅在剩余的3个数据上进行。因此，网络找到的解决方案很差，因为训练数据对于XOR的所有情况是不完整的

(验证集 == 测试集)