在神经网络的学习阶段，有两个机制在运作：前馈和反向传播。以XOR操作作为例子说明。
A B Q0 0 00 1 11 0 11 1 0在第一次传递（0,0->0）时，首先进行前馈，然后进行反向传播。在这一步之后，所有权重都会被重新计算。
接下来会发生什么？
问题1：是否再次使用新计算的权重（在反向传播过程中计算的）对相同的输入0,0进行前馈，然后进行反向传播，直到误差变为零？如果是，如果误差永远不会变为零会怎样？这引出了我的下一个问题。
问题2：什么时候会进行下一次传递（0,1->1）的学习？
问题3：假设第一轮传递的最终权重为10.3、-2.3、5.5。第二轮传递（0,1->1）是否会使用第一轮传递的最终权重开始前馈？
如果我需要通过代码来描述，以下哪个代码是正确的？
以下选项的通用代码
averageErrorUntilLearn = 0.002;inputs = [[0, 0],[0, 1],[1, 0],[1, 1]];outputs = [0, 1, 1, 0];inputNeurons = 2;hiddenLayers = 1;outputNeurons = 1;//initialize the Neural NetneuralNetObj = NeuralNet();neuralNetObj.createTopology(inputNeurons, hiddenLayers, outputNeurons);weightsForTheNetwork = randomWeights();问题3场景 – 每轮传递计算的权重会传递到下一轮
//learn while (averageError > averageErrorUntilLearn): for i in range(0,len(input)): console.log("Current Pass-" + i); neuralNetObj.learningParams(inputs[i], outputs[i]); neuralNetObj.initializeWeights(weightsForTheNetwork); neuralNetObj.feedforward(); neuralNetObj.backPropagate(); weightsForTheNetwork=neuralNetObj.getNewWeights(); averageError = neuralNetObj.getAverageError();问题1场景 – 每轮传递使用自己的权重计算，直到达到所需的学习效果，然后将权重传递到新的一轮
//learn for i in range(0,len(input)): while (averageError > averageErrorUntilLearn): console.log("Current Pass-" + i); neuralNetObj.learningParams(inputs[i], outputs[i]); neuralNetObj.initializeWeights(weightsForTheNetwork); neuralNetObj.feedforward(); neuralNetObj.backPropagate(); weightsForTheNetwork = neuralNetObj.getNewWeights(); averageError = neuralNetObj.getAverageError();还是我完全错了，以上场景都不正确？
回答：
1) 是的，反向传播步骤会持续更新权重，直到前馈步骤的误差为0。不管是否达到0误差，你都必须定义一个停止标准来告诉它何时停止。最简单的办法是设定一个固定的训练迭代次数。这是一个很好的、简单的开始方法。实际问题会使用更复杂的方法，比如定期检查在单独的验证步骤上的准确性，并在准确性不再提高时停止。然而，对于XOR问题，只需使用固定的迭代次数。你需要决定并告诉它停止标准是什么。
2) 你不希望在一个实例上（如0,0->0）反复训练，然后再切换到另一个实例。如果你一次训练一个实例，先完成第一个实例的训练（前馈和反向传播步骤），然后进行下一个实例，依此类推，直到训练数据结束。然后从头开始，再次遍历每个实例。这样，它就在训练数据中表示的每个案例的训练中交错进行。正如@Maxim所说，更常见的是以批次进行训练。在一个批次中，它会同时进行所有前馈传递，并收集网络对答案的所有猜测。然后，它会计算批次中每个实例的误差，并进行一次反向传播，以纠正批次中所有实例的平均误差。因此，它同时学习如何处理批次中的所有情况。这比一次处理一个实例要快，但网络应该能够以任何方式学习这个问题。这里的重要一点是，它同时学习训练数据中的所有情况，而不是一个接一个地学习。
3) 是的，一旦你完成了反向传播步骤，它会将更新应用到权重上，接下来的训练步骤将使用新的权重。
