二层感知机实现异或门使用Python语言给出代码

二层感知机通常用于简单的逻辑函数实现，包括异或(XOR)逻辑门。在神经网络中，异或门无法直接通过单层感知器实现，因为它不是线性的可分离问题，需要至少两层结构才能学习非线性关系。不过，为了演示，我们可以创建一个包含隐藏层的简单示例。这里是一个使用Python和scikit-learn库实现的二层感知机模拟异或门的例子：

from sklearn.neural_network import MLPClassifier
import numpy as np

# 定义异或数据集
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([0, 1, 1, 0])  # XOR结果

# 创建并训练二层感知机模型
model = MLPClassifier(hidden_layer_sizes=(1,), activation='relu', solver='lbfgs')  # 添加一个隐藏节点
model.fit(X, y)

# 模拟异或函数
def xor_function(a, b):
    return model.predict([[a, b]])[0]

# 测试
print(xor_function(0, 0))  # 输出：0
print(xor_function(0, 1))  # 输出：1
print(xor_function(1, 0))  # 输出：1
print(xor_function(1, 1))  # 输出：0