机器学习——神经网络(一):单层感知机

神经网络——单层感知机

感知机:preception,二元分类器,只有输入和输出层

学习使用,不写原理了,直接贴代码(主要代码都是覃秉丰老师的课程中学习到的代码,但是很多地方我也做了注释和改进,适合我自己的学习)

python 3.4 、jupyter
这部分主要用到了numpy、matplotlib.pyplot库

import numpy as np
import matplotlib.pyplot as plt

# 载入数据(解释一下:x_data第一列为偏置值(bias),第二列和第三列就是输入数据;y_data即训练标签)
x_data = np.array([[1,3,3],
                   [1,4,3],
                   [1,1,1],
                   [1,0,2]])
y_data = np.array([[1],
                   [1],
                   [-1],
                   [-1]])
# 初始化设置权值(为了符合矩阵计算变为三行一列,取值范围为-0.5到0.5)
w = (np.random.random([3,1])-0.5)
print(w)
# 输出:
#[[-0.16266462]
#[ 0.02265906]
#[-0.22597695]]

# 设置学习率learning rate(这个学习率后面再重点提一下,现在正常设置一下就ok,但是设置不好得到的结果可能很不理想)
lr = 0.11
# 神经网络的输出(output)
O = 0
# .dot是矩阵乘法,而常规乘法是对应的元素相乘
def update():
'''更新函数,调用一次执行一次'''
    global x_data,y_data,w,lr
    O = np.sign(np.dot(x_data,w)) # np.sign函数时numpy中的取数字符号
    w_c = lr*(x_data.T.dot(y_data-O))/int(x_data.shape[0])# 分母求得误差的总合,分子表示sample的数量,结果表示平均误差
    w = w+w_c
    
for i in range(100):
    update() # 权值更新
    O = np.sign(np.dot(x_data,w)) # 计算当前输出
    print("epoch:",i)
    print("w:",w)
    if(O==y_data).all():     # 如果当前输出与实际输出相当,模型收敛,循环结束(。all是全部相等的意思)
        print("#####################")
        print("finished")
        print("epoch:",i)
        print("#####################")
        break
# 正样本
x1 = [3,4]
y1 = [3,3]
# 负样本
x2 = [1,0]
y2 = [1,2]

# 计算分界线的斜率以及截距
k = -w[1]/w[2]
b = -w[0]/w[2]
print("k = ",k)
print("b = ",b)

xdata = (0,5)
plt.figure()
plt.plot(xdata,xdata*k+b,'r')
plt.scatter(x1,y1,c='b')
plt.scatter(x2,y2,c='y')
plt.show()

结果:


单层感知机

解释:

  1. sign()函数
  1. 学习率 ilearning rate:控制模型的学习进度。更多请参考深度学习:学习率

Markdown小知识点:

  • 使用html标签和markdown语句的嵌套也可以实现图片的居中操作等等
  • 常规HTML使得图片居中<div align='center'><img src=''></div>
  • 使用markdown的图片添加语句和HTML配合<span><div align=‘center’>[名字](地址)</div></span>

放毒:
辉夜大小姐:

©️2020 CSDN 皮肤主题: 创作都市 设计师:CSDN官方博客 返回首页