Numpy实现Perceptron（感知机）(1)

最后

Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

👉Python所有方向的学习路线👈

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

👉Python必备开发工具👈

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

👉Python全套学习视频👈

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

👉实战案例👈

学python就与学数学一样，是不能只看书不做题的，直接看步骤和答案会让人误以为自己全都掌握了，但是碰到生题的时候还是会一筹莫展。

因此在学习python的过程中一定要记得多动手写代码，教程只需要看一两遍即可。

👉大厂面试真题👈

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

n_iterations: float

The number of training iterations the algorithm will tune the weights for.

activation_function: class

The activation that shall be used for each neuron.

Possible choices: Sigmoid, ExpLU, ReLU, LeakyReLU, SoftPlus, TanH

loss: class

The loss function used to assess the model’s performance.

Possible choices: SquareLoss, CrossEntropy

learning_rate: float

The step length that will be used when updating the weights.

“”"

def init(self, n_iterations=20000, activation_function=Sigmoid, loss=SquareLoss, learning_rate=0.01):

self.n_iterations = n_iterations

self.learning_rate = learning_rate

self.loss = loss()

self.activation_func = activation_function()

self.progressbar = progressbar.ProgressBar(widgets=bar_widgets)

def fit(self, X, y):

n_samples, n_features = np.shape(X)

_, n_outputs = np.shape(y)

Initialize weights between [-1/sqrt(N), 1/sqrt(N)]

limit = 1 / math.sqrt(n_features)

self.W = np.random.uniform(-limit, limit, (n_features, n_outputs))

self.w0 = np.zeros((1, n_outputs))

for i in self.progressbar(range(self.n_iterations)):

Calculate outputs

linear_output = X.dot(self.W) + self.w0

y_pred = self.activation_func(linear_output)

Calculate the loss gradient w.r.t the input of the activation function

error_gradient = self.loss.gradient(y, y_pred) * self.activation_func.gradient(linear_output)

Calculate the gradient of the loss with respect to each weight

grad_wrt_w = X.T.dot(error_gradient)

grad_wrt_w0 = np.sum(error_gradient, axis=0, keepdims=True)

Update weights

self.W -= self.learning_rate * grad_wrt_w

self.w0 -= self.learning_rate * grad_wrt_w0

Use the trained model to predict labels of X

def predict(self, X):

y_pred = self.activation_func(X.dot(self.W) + self.w0)
return y_pred

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具

工具都帮大家整理好了，安装就可直接上手！

三、最新Python学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、Python视频合集

观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

五、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试宝典

简历模板

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！