神经网络解决“ RGB”琐碎问题-甚至可以解决此类问题吗？

Question

背景

我正在用反向传播编码基本的前馈神经网络。我的状态是它解决了一些琐碎的问题，例如XOR或x> y，因此一切看起来都很好。我想编写一些其他问题，看看我的神经网络是否学会解决。

想法描述

我想到了“ RGB”问题：

1. 某些生成器生成-128至127之间的3个随机数（代表红色，绿色或蓝色）。
2. 最大值表示其标签（R，G或B）是“主色”
3. 如果为红色，则该训练示例的正确答案为1，如果为绿色-则为0.5，如果为蓝色-则为0。
4. 总共-一个训练示例的输入是具有3个值的向量，而答案是一个值为1、0.5或0的向量。

问题

问题是我无法弄清楚我的NN的正确配置。它将目标函数暂时最小化并陷入困境。当我评估训练结果时，NN每次输入都会给出几乎相同的答案，或者只会给出奇怪的答案。

为了澄清-我可以选择层和神经元的数量。我可以初始化权重（不过我是随机进行的），并为每一层选择激活函数。输入的大小为3，答案的大小为1。

我尝试了数十种配置并获得了相同的结果-卡住了。我是在做错什么，还是这样的基本神经网络无法学习解决此类问题。为什么？也许答案应该是3号？