Tricks（四十）—— 神经网络解决与（或）及异或问题

最新推荐文章于 2024-09-13 06:06:42 发布

五道口纳什

最新推荐文章于 2024-09-13 06:06:42 发布

阅读量3.4k

点赞数 2

分类专栏： tricks

本文链接：https://blog.csdn.net/lanchunhui/article/details/51234466

版权

tricks 专栏收录该内容

57 篇文章 0 订阅

订阅专栏

G (x) = sign ⎛ ⎝ ⎜ ⎜ \sum t = 1 T α t sign (w T t x)            g (x) ⎞ ⎠ ⎟ ⎟

$G(\mathbf x)=\text{sign}\left (\sum_{t=1}^T\alpha_t\underbrace{\text{sign}(\mathbf w_t^T\mathbf x)}_{g(\mathbf x)}\right )$

AND 与问题

$G (x) = - 1 + g 1 (x) + g 2 (x) G (x) = - 1 \cdot g 0 + 1 \cdot g 1 + 1 \cdot g 2$ $G(\mathbf x)=-1+g_1(\mathbf x)+g_2(\mathbf x)\\ G(\mathbf x)=-1\cdot g_0+1\cdot g_1+1\cdot g_2$

暗含了 $g_t(\mathbf x)$ 的系数分别为：-1，1，1
OR 或问题

$G (x) = 1 + g 1 (x) + g 2 (x) G (x) = 1 \cdot g 0 + 1 \cdot g 1 + 1 \cdot g 2$ $G(\mathbf x)=1+g_1(\mathbf x)+g_2(\mathbf x)\\ G(\mathbf x)=1\cdot g_0+1\cdot g_1+1\cdot g_2$
暗含了 $g_t(\mathbf x)$ 的系数分别为：1，1，1

inputs = [(1, x, y) for x in (-1, 1) for y in (-1, 1)]
                    # 1：表示常量输出，g_0(x)
                    # x: g_1 的输出
                    # y: g_2 的输出
# 定义内积运算
def inner_prod(x, y):
    return reduce(operator.add, map(lambda z: z[0]*z[1], zip(x, y)))


def G_AND(gs):
    return 1 if inner_prod([-1, 1, 1], gs) > 0 else -1

def G_OR(gs):
    return 1 if inner_prod([1, 1, 1], gs) > 0 else -1

if __main__ == '__name__':
    print 'or: ', [G_OR(g) for g in s]
    print 'and: ', [G_AND(g) for g in s]

XOR 问题

单层感知机是无法解决异或问题的，又因为布尔运算中说：异或问题可以转换为基本布尔运算（与，或，非）的叠加，也即：
```
Y = (A & !B) | (!A & B)
```
```
def G_XOR(l):
    l1 = l[0], l[1], -l[2]
    l2 = l[0], -l[1], l[2]
    return G_OR([1, G_AND(l1), G_AND(l2)])
```