• 异或运算： 位与位进行比较，相同则结果为0；不同则结果为1。

实现步骤

1. 构建Feature与Label数据

2. 创建顺序模型

3. 指定模型的第一层，线性模型

4. 添加激活函数（需要增加多个隐藏层）

5. 模型编译

6. 模型训练

7. 模型预测

代码示例

# ANN 人造神经网络
# ANN构建一个异或运算的模型
import numpy
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense, Activation  # 导入线性模型Dense和激活函数Activation
# 训练数据
X = numpy.array([[0, 0], [1, 0], [1, 1], [0, 1]])
# 训练数据的结果
y = numpy.array([0, 1, 0, 1])
# 创建顺序模型
model = Sequential()
# 输入是2个数据，输出5个
model.add(Dense(units=5, input_shape=(2,)))
# relu 激活函数用在深度学习，最大程度保留数据差异
model.add(Activation("relu"))
# 输入是5个数据，输出5个
model.add(Dense(units=5))
model.add(Activation("relu"))
# 输入是5个数据，输出1个，使用sigmoid将识别结果压缩到0-1之间的数
model.add(Dense(units=1))
model.add(Activation("sigmoid"))
model.compile(optimizer="rmsprop", loss="binary_crossentropy", metrics=["accuracy", "mse"])
model.fit(X, y, batch_size=4, epochs=10000)
# 模型预测
pre = model.predict(X)
print(pre)