我从头开始编写了一个neural_network Python模块，看起来还不错。但是，当我用这个网络来预测异或问题时，预测结果都徘徊在0.5左右。我尝试了各种调整，从学习率到训练轮数，但预测结果依然如故。我真的快被搞疯了，试图找出自己到底哪里做错了。

这是神经网络训练后的预测结果

[0, 0] -> [[0.51725719]][0, 1] -> [[0.5172791]][1, 0] -> [[0.51720819]][1, 1] -> [[0.51723017]]

训练轮数与成本图

这是我仓库中的test.py文件

from neural_network import layers, modelimport numpy as npfrom matplotlib import pyplot as plt# 使用异或问题测试我的neural_network模块# 输入x = [[0, 0], [0, 1], [1, 0], [1, 1]]# 标签y = [0, 1, 1, 0]model = model.Model(loss="mean_squared_error")model.add(layers.Dense(2, input_shape=2, activation="sigmoid"))model.add(layers.Dense(2, activation="sigmoid"))model.add(layers.Dense(1, activation="sigmoid"))model.train(x, y, learning_rate=0.01, epochs=10000, verbose=1)for x_test in x:    print(x_test, model.predict(x_test))

关于我的neural_network模块（代码相当简单），这是我的GitHub仓库：https://github.com/Korazza/neural_network

回答：

经过多次尝试，我终于找到了问题所在。

我的权重初始化方式不够好，权重值太低了。

所以我实现了He-at-al Initialization，根据当前层和前一层的neurons数量来提供更好的权重值。

这是实现He-at-al Initialization后对异或问题的输出

[0, 0] [[0.01937993]][0, 1] [[0.99732982]][1, 0] [[0.97613504]][1, 1] [[0.01860087]]