深度学习入门（一）

这本书第一章是python的入门知识，还有numpy和matplotlib的一些基础，在这就不多赘述了。

我直接从第二章开始学习的，第二章是感知机，感知机就是接收多个输入信号，输出一个信号。书中规定，0对应“不传递信号”，1对应“传递信号”。

举例说明一下它是怎样传递信号的，假设x1、x2是输入信号，y是输出信号，w1、w2是权重（w是weight的首字母）,然后规定了一个限值用符号θ表示，当x1*w1+x2*w2的值大于限值θ时，他就输出信号y=1，当x1*w1+x2*w2的值小于等于限值θ时，不输出信号y=0。当感知机有很多输入信号时，他们都有各自的权重值，这些权重值发挥着控制各个信号的重要性作用。也就是说，权重值越大，重要性就越高。

接下来说了与门，与非门和或门，主要是讨论输入信号的问题，例如x1、x2是输入信号，他们中只要有一个是0那么就不输出信号，必须都为1时才输出，这就是与门（AND gate）。与非门（NAND gate）就是颠倒了与门的输出,仅当x1和x2同时为1时输出0，其他时候则输出1。或门是只要有一个输入信号是1，输出就为1。

用python实现感知机，

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

x1*w1+x2*w2的值大于限值θ（阀值）时输出信号，小于时不输出信号，将前面的公式进行改写，将阀值纳入变为x1*w1+x2*w2+b他的值大于0时输出信号y=1，小于等于0时不输出信号y=0。将b这个值改名为偏置，这样用python表示就是：

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

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
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

与门、与非门、或门是具有相同构造的感知机，区别只在于权重参数的值。因此，在与非门和或门的实现中，仅设置权重和偏置的值这一点和与门的实现不同。

注：以上的学习内容均来自《深度学习入门》[斋藤康毅]著