神经网络 之 感知器的概念和实现

本文结构：

1. 什么是感知器
2. 有什么用
3. 代码实现

---

1. 什么是感知器

如下图，这个神经网络中，每个圆圈都是一个神经元，神经元也叫做感知器

只有一个隐藏层的神经网络就能拟合任何一个函数，但是它需要很多很多的神经元。
而深层网络用相对少的神经元就能拟合同样的函数，但是层数增加了，不太容易训练，需要大量的数据。
为了拟合一个函数，可以使用一个浅而宽的网络，也可以使用一个深而窄的网络，后者更节约资源。

下图单挑出一个感知器来看：
向它输入 inputs，经过 加权 求和，再作用上激活函数后，得到一个输出值

感知器的激活函数可以有很多选择，关于激活函数可以看 常用激活函数比较

---

2. 有什么用

用感知器可以实现 and 函数，or 函数，还可以拟合任何的线性函数，任何线性分类或线性回归问题都可以用感知器来解决。

但是，感知器却不能实现异或运算，如下图所示，异或运算不是线性的，无法用一条直线把 0 和 1 分开。

训练权重和偏置的算法如下：

其中，t 是训练样本的实际值，y 是感知器的输出值，即由 f 计算出来的。eta 称为学习速率，是个常数，作用是控制每一步调整权的幅度。

---

3. 代码实现

［main］

先训练and感知器

and_perception = train_and_perceptron()

得到训练后获得的权重和偏置

print and_perception    

weights :[0.1, 0.2]
bias    :-0.200000

再去测试，看结果是否正确

print '1 and 1 = %d' % and_perception.predict([1, 1])

其中

［train_and_perceptron］

先创建感知器，输入参数个数为2（因为and是二元函数），激活函数为f