假设我的输入是A和B。这些输入大致是这样的， A = [10、5、30、2]，可以具有[1,100]范围内的任意值 B = [0，1，0，0]，它是一个热向量。 预期输出C = = [5]，它是两个输入向量C = A.B
的点积类似地，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）。
我已经实现了具有两个隐藏层的神经网络。尽管它适用于训练数据，但无法对此进行概括。
对于神经网络来说，存在这个问题的根本原因吗？
根据通用逼近定理，具有单个隐藏层的完全连接的神经网络可以“实际上”是通用逼近器（考虑到一系列条件和考虑因素）。
更多信息在这里：https://en.wikipedia.org/wiki/Universal_approximation_theorem
是的，网络确实可以近似一个多路复用器。您必须考虑一些因素。也许您可以尝试对输入数据进行标准化或标准化（不同规模的输入数据可能会破坏网络学习过程），您可以在此处找到一些信息：
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，因为有数千个示例由于数据非常分散（培训样本中的示例与验证数据中的示例可能会大不相同），因此不会成功。
,基本上，您正在寻找A.T * B（以数字表示）。胡安的答案是对是错。神经网络不进行交互（只需检查数学），因此该公式没有“自然”的表示形式。但是，如果您的架构非常复杂，则可以将其近似。
没有神经网络，只有裸露的Tf，它只是tf.math.reduce_sum(A * B)。
示例：
>>> A = tf.constant([10,5,30,2])
>>> B = tf.constant([0,1,0])
>>> with tf.Session() as sess: print(tf.math.reduce_sum(A * B).eval())
5