深度学习入门 基于python的理论和实践读书笔记（一）

    书的pdf和源码需要的可以留言

    该书的前两章主要是简介和python的安装和使用，这里我就从第二章开始写下自己的读书笔记。

    第二章感知机 

1 概念

多个输入，一个输出

输入叫做输入信号

输出叫做输出信号，输出信号只有两种状态，就是被激活（传递信号），不被激活（不传递信号）

每个输入都要它自己的权重，输入信号乘以自己的权重相加就是输出信号，如果输出信号到达了某个界定值（称为阈值，常用θ表示）

   

式子如下

2 逻辑门

这几类门在基础过程都学过，简单的回顾

与门（两个输入相同是为1，不同时为0）

或门（输入信号中只要有一个信号为1，结果都为1，两个输入信号都为0时结果才是0）

与非门（就是在与门的结果取非，就是1变0，0变1）

后面是python实现一下与门，很简单的，就是传递两个参数，然后乘以对应的权重，如果大于阈值返回为一，如果小于阈值返回为0。

def AND(x1,x2):
    w1,w2,theta = 0.5, 0.5, 0.7
    temp=x1*w1+x2*w2
    if temp<=theta:
        print(0)
        return 0
    elif temp>theta:
        print(1)
        return 1
AND(0,0)
AND(1,1)
AND(1,0)

对于刚刚的阈值来讲，我们把它移到等式的右边和输入信号一边，我们把他将叫做偏置。式字变成这样子。

python代码

import numpy  as np
def AND(x1,x2):
    x = np.array([x1,x2])
    w = np.array([0.5,0.5])
    b = -0.7
    temp = np.sum(w*x)+b
    if temp<=0:
        print(0)
        return 0
    elif temp>0:
        print(1)
        return 1

权重和偏置的意义是不一样的

权重是控制输入信号重要性的参数，偏置是调整神经元被激活的容易度。

现在用python来实现与非门和或门

与非门

def NAND(x1,x2):
    x = np.array([x1,x2])
    w = np.array([-0.5,-0.5])
    b = 0.7
    temp = np.sum(w*x)+b
    if temp<=0:
        print(0)
        return 0
    elif temp>0:
        print(1)
        return 1

或门

def OR(x1,x2):
    x = np.array([x1,x2])
    w = np.array([0.5,0.5])
    b = -0.2
    temp = np.sum(w*x)+b
    if temp<=0:
        print(0)
        return 0
    elif temp>0:
        print(1)
        return 1

异或门
      两个输入取值有且仅有一个输入为的时候取值为1，其他时候情况取值为0。异或门不能线性分割结果。异或门用与非门和或门相与。就可以得到异或门。
python实现代码

def XOR(x1,x2):
    s1 = NAND(x1,x2)
    s2 = OR(x1,x2)
    y=AND(s1,s2)
    return y

       多层感知机
像与门或门这样的就是单层的感知机，像与或门这样子叠加了多层的叫做多层感知机。

感知机是基础很重要。下一章神经网络。加油。