深度学习入门——Python和感知机

准备

先安装好python3及numpy、matplotlib库

示例代码：

import io
import sys
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8')
print("你好，Hello!")

print('=============numpy============')
import numpy as np
x = np.array([1.1, 2.2, 3])
print(x)
print(type(x))

print('=============matplotlib========')
import matplotlib.pyplot as plt
x = np.arange(0, 6, 0.1)
y1 = np.sin(x)
y2 = np.cos(x)
plt.plot(x, y1, label='sin')
plt.plot(x, y2, linestyle='--', label='cos')
plt.xlabel('x')
plt.ylabel('y')
plt.title('sin & cos')
plt.legend()
plt.show()

print('========from matplotlib.image import imread=======')
from matplotlib.image import imread
img = imread('C:/Users/admin/Pictures/DeepLearning/rice.png')
plt.imshow(img)
plt.show()

结果图片：

 

感知机

感知机接收多个输入信号，输出一个信号。这里所说的“信号”可以想象成电流或河流那样具备“流动性”的东西。像电流流过导线，向前方输送电子一样，感知机的信号也会形成流，向前方输送信息。但是，和实际的电流不同的是，感知机的信号只有“流 / 不流”（1/0）两种取值。在本书中，0 对应“不传递信号”，1 对应“传递信号”。

 

 θ称为阈值，式（2.1）和式（2.2）虽然有一个符号不同，但表达的内容是完全相同的。此处，b称为偏置，w1,w2称为权重

或

>>> def OR(x1,x2):
...     x = np.array([x1, x2])
...     w = np.array([0.5, 0.5])
...     b = -0.3
...     tmp = np.sum(x*w) + b
...     if tmp > 0:
...             return 1
...     else:
...             return 0

与

>>> def AND(x1, x2):
...     x = np.array([x1,x2])
...     w = np.array([0.5,0.5])
...     b = -0.7
...     tmp = np.sum(x*w) + b
...     if tmp > 0:
...             return 1
...     else:
...             return 0

非 

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

异或 = 非&或（多层感知机）

>>> def NOR(x1,x2):
...     return AND(NAND(x1,x2), OR(x1,x2))

总结：

图片只能是png格式

感知机的局限性就在于它只能表示由一条直线分割的空间（线性空间），异或可用感知机“叠加”的方式表示（异或 = 非 & 或）
                                                                                                                                                                                          ------End