入门深度学习（一）感知器

感知器（神经元）

以下即为一个感知器

一个感知器有如下组成部分：

• 输入权值

  一个感知器可以接收多个输入，每个输入上有一个权值，此外还有一个偏置项，就是上图中的w0。

• 激活函数

• 输出
  感知器的输出由下面这个公式来计算
  y = f(w*x+b)

任何线性分类或线性回归问题都可以用感知器来解决。
如二分类问题，可以用一条直线把分类0和分类1分开。

感知器的训练

将权重项和偏置项初始化为0，然后，利用下面的感知器规则迭代的修改wi和b，直到训练完成。

t为实际label，y为预测label，yita为学习率，xi为输入。

'''     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,得到x1*w1+x2*w2+...+b,即是y
'''
    def predict(self,input_vec):
        #输入向量，输出感知器的计算结果
        return self.activator(
            reduce(lambda a, b: a + b,
                   list(map(lambda x_w: x_w[0] * x_w[1] ,
                       list(zip(input_vec, self.weights))) ) #[([1,0]),([1,0])]
                   , 0.0) + self.bias)

reduce() 函数会对参数序列中元素进行累积，返回一个计算结果。

参考学习

感知器