我正在尝试一个非常简单的例子，使用一个名为pyBrain的Python库，但我无法让它正常工作。 很可能有一个非常简单的原因，所以，我希望有人能帮助我！

1) 一个简单的异或运算可以正常工作。

2) 将数字时钟上显示的LED分类到数值输出值可以正常工作。

例如：

[ 1.  1.  1.  0.  1.  1.  1.] => [ 0.]
[ 0.  0.  1.  0.  0.  1.  0.] => [ 1.] 
[ 1.  0.  1.  1.  1.  0.  1.] => [ 2.] 
[ 1.  0.  1.  1.  0.  1.  1.] => [ 3.] 
[ 0.  1.  1.  1.  0.  1.  0.] => [ 4.] 
[ 1.  1.  0.  1.  0.  1.  1.] => [ 5.] 
[ 1.  1.  0.  1.  1.  1.  1.] => [ 6.] 
[ 1.  0.  1.  0.  0.  1.  0.] => [ 7.] 
[ 1.  1.  1.  1.  1.  1.  1.] => [ 8.] 
[ 1.  1.  1.  1.  0.  1.  1.] => [ 9.] 

3) 将数值分类到LED输出以驱动数字显示不起作用。

例如：

[ 0.] => [ 1.  1.  1.  0.  1.  1.  1.] 

等等（如上，但反过来）。

我使用一个简单的线性激活器，有10个输入，1个输出，并且我尝试了隐藏层中超过12个神经元。

我的困惑是，网络不应该能够在隐藏层中用10个神经元记住模式吗？

我相信我错过了一些显而易见的东西，所以，请随时启发我的愚蠢！

回答：

当您进行回归（表示一系列值的单个输出节点）时，线性激活是合适的，但对于分类（表示匹配的二进制输出），最好使用限制值范围的激活，例如 sigmoid 或 tanh。