深度学习 | 感知机、简单逻辑电路及代码实现

单层感知机

 

权重偏置 ：

感知机会计算输入

信号和权重的乘积，然后加上偏置，如果这个值大于 0 则输出 1 ，否则输出 0 。

w1和w2 是控制输入信号的重要性的参数，而偏置是调

整神经元被激活的容易程度（输出信号为 1 的程度）的参数。

偏置的值决定了神经元被激活的容易程度。

简单逻辑电路

与门

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

与非门

def NAND(x1, x2):
x = np.array([x1, x2])
w = np.array([-0.5, -0.5]) # 仅权重和偏置与AND不同！
b = 0.7
tmp = np.sum(w*x) + b
if tmp <= 0:
return 0
else:
return 1

或门（有1为1）

def OR(x1, x2):
x = np.array([x1, x2])
w = np.array([0.5, 0.5]) # 仅权重和偏置与AND不同！
b = -0.2
tmp = np.sum(w*x) + b
if tmp <= 0:
return 0
else:
return 1

异或门（逻辑异或电路）/多层感知机

仅当 x 1 或 x 2 中的一方为

1 时，才会输出 1

 

 

 

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

单层感知机只能表示线性空间，而多层感知机可以表示非线性空间

感知机，通过叠 加层能够进行非线性的表示，理论上还可以表示计算机进行的处理。