我想使用正弦函数(sine())来训练一个神经网络。

目前我使用以下代码和(cerebrum gem)：

require 'cerebrum'input = Array.new300.times do |i|  inputH = Hash.new  inputH[:input]=[i]  sinus = Math::sin(i)  inputH[:output] = [sinus]  input.push(inputH)endnetwork = Cerebrum.newnetwork.train(input, {  error_threshold: 0.00005,  iterations:      40000,  log:             true,  log_period:      1000,  learning_rate:   0.3})res = Array.new300.times do |i|  result = network.run([i])  res.push(result[0])endputs "#{res}"

但它不起作用，如果我运行训练后的网络，我得到了一些奇怪的输出值（而不是得到正弦曲线的一部分）。

那么，我做错了什么？

回答：

Cerebrum 是一个非常基础且运行缓慢的神经网络实现。在 Ruby 中有更好的选择，比如 ruby-fann gem。

你的问题很可能是网络过于简单。你没有指定任何隐藏层 – 看起来代码为你的情况分配了一个默认的隐藏层，里面有3个神经元。

试试这样做：

network = Cerebrum.new({  learning_rate:  0.01,  momentum:       0.9,  hidden_layers:  [100]})

并预期训练时间会非常长，而且效果仍然不会很好。

另外，你选择的300个输出范围太广 – 对网络来说，这看起来大多像是噪音，它不会很好地在点之间进行插值。神经网络不会自动识别出“哦，那一定是正弦波”并与之匹配。相反，它会在点之间进行插值 – 当它同时在多个维度上进行插值时，聪明之处就体现出来了，可能找到你手动检查时不容易发现的结构。为了让它有合理的机会学习一些东西，我建议你提供更密集的点，例如，你目前使用 sinus = Math::sin(i)的地方，改为使用：

sinus = Math::sin(i.to_f/10)

这仍然几乎是通过正弦波的5次迭代。希望这足以证明网络可以学习任意函数。