#题目:假设平面坐标系上有三个点,点(3,3)和(4,3)标签为1,(1,1)标签为-1,构建神经网络来分类。
#思路:要分类的数据是2维数据,所以只需要2个输入节点,可以把神经元的偏置值也设置成一个节点,这样就需要3个输入节点。
# 输入数据有3个(1,3,3),(1,4,3),(1,1,1)--这里将偏置值定位1
# 数据对应的标签为(1,1,-1)--可以理解为期望的输出
# 初始化权值W0,W1,W2取-1到1的随机数
# 学习率(learning rate)设置为0.11
# 激活函数为sign函数
import numpy as np
import matplotlib.pyplot as plt
#输入数据
X = np.array([[1,3,3],[1,4,3],[1,1,1]])
#标签--期望输出
Y = np.array([1,1,-1])
#权值初始化,1行3列,取-1到1的随机数
W = (np.random.random(3)-0.5)*2
print(W)
#学习率
lr = 0.11
#计算迭代次数
n = 0
#神经网络输出
o = 0
def update():
global X,Y,W,lr,n
n+=1
o = np.sign(np.dot(X,W.T))
W_C = lr*((Y-o.T).dot(X))/(X.shape[0])#权值改变数,这里除掉行数求平均值,因为行数多,权值改变就会很大。
W = W + W_C
[ 0.3429031 -0.13234638 -0.07970751]
for i in range(100):
update()#更新权值
print(W)#打印当前权值
print(n)#打印迭代次数
o = np.sign(np.dot(X,W.T))#计算当前输出
if(o == Y.T).all():#如果实际输出等于预期输出,模型收敛,循环结束。
print('Finished')
print('epoch',n)
break
#用图形表示出来
#正样本
x1 = [3,4]
y1 = [3,3]
#负样本
x2 = [1]
y2 = [1]
#计算分界线的斜率以及截距--W0+W1X1+W2X2=0--令X1=x,X2=y--y=-W1/W2*x-W0/W2
k = -W[1]/W[2]
d = -W[0]/W[2]
print('k=',k)
print('d=',d)
xdata = np.linspace(0,5)
plt.figure()
plt.plot(xdata,xdata*k+d,'r')#用红色
plt.plot(x1,y1,'bo')#用蓝色
plt.plot(x2,y2,'yo')#用黄色
plt.show()
[ 0.41623643 0.30765362 0.28695916]
1
[ 0.3429031 0.23432029 0.21362583]
2
[ 0.26956977 0.16098696 0.14029249]
3
[ 0.19623643 0.08765362 0.06695916]
4
[ 0.1229031 0.01432029 -0.00637417]
5
[ 0.04956977 -0.05901304 -0.07970751]
6
[ 0.19623643 0.45432029 0.36029249]
7
[ 0.1229031 0.38098696 0.28695916]
8
[ 0.04956977 0.30765362 0.21362583]
9
[-0.02376357 0.23432029 0.14029249]
10
[-0.0970969 0.16098696 0.06695916]
11
[-0.17043023 0.08765362 -0.00637417]
12
Finished
epoch 12
k= 13.7513705078
d= -26.7376197373
从结果可以看出很好的将蓝色的点和黄色的点分割开来,但有些情况利用单层感知器并不能解决问题,有兴趣的同学可以看下一篇文章:单层感知器的局限用例