python中的map()和reduce()——感知机代码理解

今天看了一篇文章，写了里面的代码，发现有点疑惑的地方，上网查找资料，现在弄懂了，特此记录一下
感知器

    def predict(self, input_vec):
        return self.activator(
            reduce(lambda a, b: a+b, map(lambda x_w: x_w[0] * x_w[1], zip(input_vec, self.weights)), 0.0) + self.bias
        )

感知器的过程

上面的代码其实就是这个过程：1*w0+x1*w1+x2*w2+xn*wn——w*x，也就是输入x权重，再传递到激励函数里，大概就这样

下面来剖析这段代码

• activator()是激励函数
• self.bias是偏置b
• 根据y=f(w*x+b)这条公式，剩下的部分reduce(lambda a, b: a+b, map(lambda x_w: x_w[0] * x_w[1], zip(input_vec, self.weights)), 0.0)就是w*x了

重点解析这段代码
要想看懂这段代码就要对reduce()、map()、lambda有所理解

reduce()
reduce(function, sequence, initial=None)第一个参数是功能函数，第二个我理解是迭代器

def func(a, b):
    return a+b

list = [1, 2, 3, 4, 5]
result = reduce(func, list) #15, 过程是((((1+2)+3)+4)+5)

def func1(a, b):
    return a*b

result = reduce(func, list) #120, 过程是((((1*2)*3)*4)*5)

也可以用lambda

result = reduce(lambda a, b:a+b, list)  #15

lambda的例子

x = lambda a: a+10
print(x(5))     #15

x = lambda a, b : a*b
print(x(5, 6))      #30

map()

map(func, *iterables)，跟reduce()基本一样，不过最后返回的也是一个迭代器

list = [1, 2, 3]
def func(x):
    return x*x
map(func, list)     #[1, 4, 9]

map(lambda x: x*x, list)        #[1, 4, 9]

如果看懂了这三个功能，那这段函数就基本能看懂了
还要提醒一点，文章中的代码是这样的

def predict(self, input_vec):
        '''
        输入向量，输出感知器的计算结果
        '''
        # 把input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]打包在一起
        # 变成[(x1,w1),(x2,w2),(x3,w3),...]
        # 然后利用map函数计算[x1*w1, x2*w2, x3*w3]
        # 最后利用reduce求和
        return self.activator(
            reduce(lambda a, b: a + b,
                   map(lambda (x, w): x * w,  
                       zip(input_vec, self.weights))
                , 0.0) + self.bias)

map()那里，在python3中好像是不能把元祖传进一个元祖里，所以就改成把zip()组合成的一个元祖传进一个形参上述的就是x_w，然后x_w[0]就表示元祖第一个参数，x_w[1]表示元祖第二个参数，这样就能运行了