python - 神经网络可以学会充当多路复用器吗？

假设我的输入是 A 和 B。输入大致是这样的，A = [10, 5, 30, 2] 可以在 [1,100] 和 B = [0, 1, 0, 0 范围内具有任意值] 这是一个热向量。预期输出 C = [5]，即两个输入向量的点积 C = AB

同样，对于 A = [10, 5, 30, 2] 和 B = [0, 0, 1, 0]，输出将为 C = [30]。

本质上，我希望神经网络充当 4 路多路复用器（https://en.wikipedia.org/wiki/Multiplexer）。

我已经实现了一个具有两个隐藏层的神经网络。虽然它适用于训练数据，但它无法泛化除此之外。

是否有一个潜在的原因表明这个问题对于神经网络来说会很困难？

标签： pythontensorflowneural-networkmultiplexing

根据通用逼近定理，具有单个隐藏层的全连接神经网络可以“实际上”成为通用逼近器（给定一系列条件和考虑）。

所以，是的，网络确实可以近似一个多路复用器。你必须考虑几个因素。也许你可以尝试标准化或规范化你的输入数据（不同尺度的输入数据会扰乱网络学习过程），你可以在这里找到一些信息：

另外，看看您的输入空间，您有 100^4 乘以 4 个可能的输入（大约 4 x 10^8，基于此，您必须考虑训练数据的大小，因为几千个示例不会切入，因为数据非常分散（训练样本中的示例可能与验证数据中的示例非常不同）。