30 行 JavaScript 代码实现神经网络异或运算器的方法

在人工智能和机器学习的领域中，神经网络是一种强大的工具。而异或运算作为一种基本的逻辑运算，通过神经网络来实现它可以帮助我们更好地理解神经网络的工作原理和应用。下面将介绍如何用仅仅 30 行的 JavaScript 代码来实现神经网络异或运算器。

我们需要定义神经网络的基本结构。在这个简单的示例中，我们将使用一个具有两个输入节点、两个隐藏节点和一个输出节点的神经网络。

class NeuralNetwork {
  constructor() {
    this.inputNodes = 2;
    this.hiddenNodes = 2;
    this.outputNodes = 1;

    this.weightsIH = new Array(this.inputNodes * this.hiddenNodes);
    this.weightsHO = new Array(this.hiddenNodes * this.outputNodes);

    this.initializeWeights();
  }

  initializeWeights() {
    for (let i = 0; i < this.weightsIH.length; i++) {
      this.weightsIH[i] = Math.random() - 0.5;
    }
    for (let i = 0; i < this.weightsHO.length; i++) {
      this.weightsHO[i] = Math.random() - 0.5;
    }
  }

  sigmoid(x) {
    return 1 / (1 + Math.exp(-x));
  }

  feedForward(inputs) {
    let hidden = new Array(this.hiddenNodes);
    for (let i = 0; i < this.hiddenNodes; i++) {
      let sum = 0;
      for (let j = 0; j < this.inputNodes; j++) {
        sum += inputs[j] * this.weightsIH[j * this.hiddenNodes + i];
      }
      hidden[i] = this.sigmoid(sum);
    }

    let output = 0;
    for (let i = 0; i < this.outputNodes; i++) {
      let sum = 0;
      for (let j = 0; j < this.hiddenNodes; j++) {
        sum += hidden[j] * this.weightsHO[j * this.outputNodes + i];
      }
      output += this.sigmoid(sum);
    }
    return output;
  }
}

接下来，我们可以使用训练数据对神经网络进行训练，以使其能够准确地执行异或运算。

let neuralNetwork = new NeuralNetwork();

let trainingData = [
  { input: [0, 0], output: 0 },
  { input: [0, 1], output: 1 },
  { input: [1, 0], output: 1 },
  { input: [1, 1], output: 0 }
];

for (let epoch = 0; epoch < 10000; epoch++) {
  for (let data of trainingData) {
    let output = neuralNetwork.feedForward(data.input);
    let error = data.output - output;

    for (let i = 0; i < neuralNetwork.weightsHO.length; i++) {
      neuralNetwork.weightsHO[i] += error * neuralNetwork.hiddenNodes[i];
    }

    for (let i = 0; i < neuralNetwork.weightsIH.length; i++) {
      neuralNetwork.weightsIH[i] += error * neuralNetwork.inputNodes[i];
    }
  }
}

最后，我们可以对新的输入数据进行预测，以验证神经网络是否能够正确执行异或运算。

let testInput = [0, 1];
let prediction = neuralNetwork.feedForward(testInput);
console.log("预测结果: ", prediction);

通过以上 30 行左右的 JavaScript 代码，我们成功地实现了一个能够执行异或运算的简单神经网络。这只是神经网络的一个基础示例，实际应用中的神经网络可能会更加复杂，但这个示例为我们理解和探索神经网络的工作原理提供了一个良好的起点。

希望通过这个简单的示例，您能够对神经网络的实现和应用有更深入的理解，并能够在后续的学习和开发中进一步拓展和应用相关知识。