Tensorflow Lernen XOR mit linearer Funktion, obwohl es nicht

Question

soll mir ein einfaches Netzwerk in tensorflow ist die Umsetzung und für pädagogische Zwecke, ich versuche, dass die lineare Transformation zu zeigen:

yhat = w(Wx + c) + b 

nicht XOR lernen kann. Aber das Problem ist jetzt, dass es mit meiner aktuellen Implementierung es tut! Dies deutet auf einen Fehler im Code hin. Bitte erläutern?

############################################################ 
''' 
    dummy data 
''' 
x_data = [[0.,0.],[0.,1.],[1.,0.],[1.,1.]] 
y_data = [[0],[1],[1],[0]] 

############################################################ 
''' 
    Input and output 
''' 
X = tf.placeholder(tf.float32, shape = [4,2], name = 'x') 
Y = tf.placeholder(tf.float32, shape = [4,1], name = 'y') 

''' 
    Network parameters 
''' 
W = tf.Variable(tf.random_uniform([2,2],-1,1), name = 'W') 
c = tf.Variable(tf.zeros([2])    , name = 'c') 
w = tf.Variable(tf.random_uniform([2,1],-1,1), name = 'w') 
b = tf.Variable(tf.zeros([1])    , name = 'b') 

############################################################ 
''' 
    Network 1: 

    function: Yhat = (w (x'W + c) + b) 
    loss : \sum_i Y * log Yhat 
''' 
H1 = tf.matmul(X, W) + c 
Yhat1 = tf.matmul(H1, w) + b 


cross_entropy1 = -tf.reduce_sum(
       Y*tf.log(
         tf.clip_by_value(Yhat1,1e-10,1.0) 
         ) 
       ) 

step1 = tf.train.AdamOptimizer(0.01).minimize(cross_entropy1) 

''' 
    Train 
''' 

writer = tf.train.SummaryWriter("./logs/xor_logs.graph_def") 
graph1 = tf.initialize_all_variables() 
sess1 = tf.Session() 
sess1.run(graph1) 

for i in range(100): 
    sess1.run(step1, feed_dict={X: x_data, Y: y_data}) 


''' 
    Evaluation 
''' 
corrects = tf.equal(tf.argmax(Y,1), tf.argmax(Yhat1,1)) 
accuracy = tf.reduce_mean(tf.cast(corrects, tf.float32)) 
r  = sess1.run(accuracy, feed_dict={X: x_data, Y: y_data}) 
print ('accuracy: ' + str(r * 100) + '%') 

Gerade jetzt Genauigkeit ist bei 100%, auch wenn es bei 75% sein sollte.

Answer 1

tf.argmax (Y, 1) liefert [0,0,0,0]. Das ist nicht was du willst.