优化器赋值失败

[xugangxugang]

为什么会赋值失败，神经网络是Architect.Liquid创建的

[xugangxugang]

源码
var input = 49;
var pool = 84;
var output = 49;
var connections = 34;
var gates = 14;

			 myNetwork = new Architect.Liquid(input, pool, output, connections, gates);
			
			trainer = new Trainer(myNetwork);
			var trainingSet = [{
					input: "",
					output: ""
				},
			
			];
			
			for (var i = 0, 训练数据length = 训练数据.length; i < 训练数据length - 1; i++) {
				trainingSet[i] = {
					input: 训练数据[i + 1],
					output: 训练数据[i]
				}
			}
			
			
			trainer.train(trainingSet, {
				rate: .1,
				iterations: 20000,
				error: .1,
				shuffle: true,
				log: 5,
				cost: Trainer.cost.CROSS_ENTROPY
			});
			
			
			
			console.log( myNetwork.activate(训练数据[0]));

[xugangxugang]

当我把这些代码放入一个动作块就可以正常预测了，而分开多个动作块就失败了？全局属性也不行

[xugangxugang]

有问题的全部JS代码，我把创建神经网络的与训练，最后的激活分开后发现了我最前的问题赋值后F[1]变成空，后面我突发奇想我把他们放在一起，神经网络又可以预测了
//创建参数
//var synaptic = require('synaptic');
var Neuron = synaptic.Neuron,
Layer = synaptic.Layer,
Network = synaptic.Network,
Trainer = synaptic.Trainer,
Architect = synaptic.Architect;

		var 训练数据 = "";

		function 获取训练数据() {
			训练数据 = document.getElementById("训练数据").value;

			console.log(训练数据);

			训练数据 = 把训练数据转换成神经网络可识别的数据(训练数据);
		}

		function 把训练数据转换成神经网络可识别的数据(训练数据) {
			训练数据 = 训练数据.split(" ");
			console.log(训练数据);
			for (var i = 0, 训练数据length = 训练数据.length; i < 训练数据length; i++) {
				var 训练数据单条 = 训练数据[i].split(",");
				var 神经网络输入层 = new Array(49);
				for (var ii = 0, 训练数据单条length = 训练数据单条.length; ii < 训练数据单条length; ii++) {


					训练数据单条[ii] = Number(训练数据单条[ii]) - 1;
					if (ii == 6) {
						训练数据单条[ii] = 训练数据单条[ii] + 33;
						for (var iii = 33; iii < 49; iii++) {

							if (神经网络输入层[iii] > 0) {
								continue;
							} else {

								if (训练数据单条[ii] == iii) {
									神经网络输入层[iii] = 1;

								} else {
									神经网络输入层[iii] = 0;
								}

							}

						}

					} else {
						for (var iii = 0; iii < 33; iii++) {

							if (神经网络输入层[iii] > 0) {
								continue;
							} else {

								if (训练数据单条[ii] == iii) {
									神经网络输入层[iii] = 1;

								} else {
									神经网络输入层[iii] = 0;
								}
							}


						}

					}



				}
				console.log(神经网络输入层);
				训练数据[i] = 神经网络输入层;
			}

			return 训练数据;


		}

		function 转换数据为可读的数据(训练数据) {
			var 数据 = "";
			for (var i = 0; i < 训练数据.length; i++) {
				if (i > 32) {
					if (训练数据[i] > 0) {
						数据 = 数据 + (i + 1 - 33) + ",";

					}

				} else {
					if (训练数据[i] > 0) {
						数据 = 数据 + (i + 1) + ",";

					}

				}


			}
			return 数据;



		}


		var myNetwork = "";
		var trainer = "";

		function 创建神经网络() {
			//myNetwork = new Architect.Perceptron(49,300,150,120,90,60,30,15,8,4,2,49);
			var input = 49;
			var pool = 84;
			var output = 49;
			var connections = 34;
			var gates = 14;
			
			 myNetwork = new Architect.Liquid(input, pool, output, connections, gates);
			
			// trainer = new Trainer(myNetwork);
			// var trainingSet = [{
			// 		input: "",
			// 		output: ""
			// 	},
			
			// ];
			
			// for (var i = 0, 训练数据length = 训练数据.length; i < 训练数据length - 1; i++) {
			// 	trainingSet[i] = {
			// 		input: 训练数据[i + 1],
			// 		output: 训练数据[i]
			// 	}
			// }
			
			
			// trainer.train(trainingSet, {
			// 	rate: .1,
			// 	iterations: 20000,
			// 	error: .1,
			// 	shuffle: true,
			// 	log: 5,
			// 	cost: Trainer.cost.CROSS_ENTROPY
			// });
			
			
			
			//console.log( myNetwork.activate(训练数据[0]));
			
		}

		function 训练神经网络() {
		
			trainer = new Trainer(myNetwork);
			var trainingSet = [{
					input: "",
					output: ""
				},

			];

			for (var i = 0, 训练数据length = 训练数据.length; i < 训练数据length - 1; i++) {
				trainingSet[i] = {
					input: 训练数据[i + 1],
					output: 训练数据[i]
				}
			}


			trainer.train(trainingSet, {
				rate: .1,
				iterations: 20000,
				error: .1,
				shuffle: true,
				log: 5,
				cost: Trainer.cost.CROSS_ENTROPY
			});

		}

		function 获取预测数据() {
			var 需要预测数据 = document.getElementById("需要预测数据").value;

			需要预测数据 = 把训练数据转换成神经网络可识别的数据(需要预测数据);
		    
		var 预测结果=	myNetwork.activate(需要预测数据);
		
				预测结果=转换数据为可读的数据(预测结果);
				document.getElementById("预测结果").value=预测结果;
		}