代码参考了零基础入门深度学习(2) - 线性单元和梯度下降这篇文章,我只对代码里可能存在的一些小错误进行了更改。至于线性单元的原理以及代码里不清楚的地方可以结合该文章理解,十分浅显易懂。
from DL.perceptron import Perceptron
# 定义激活函数f
f = lambda x:x
class LinearUnit(Perceptron):
def __init__(self,input_num):
'''
param input_num: 初始化线性单元,设置输入参数的个数
'''
Perceptron.__init__(self,input_num,f)
def get_training_dataset():
'''
捏造5个人的收入数据
'''
# 构建训练数据
# 输入向量列表,每一项是工作年限
input_vecs = [[5],[3],[8],[1.4],[10.1]]
# 期望的输出列表,月薪,注意要与输入一一对应
labels = [5500,2300,7600,1800,11400]
return input_vecs,labels
def train_linear_unit():
'''
使用数据训练线性单元
'''
# 创建感知机,输入参数的特征数为1(工作年限)
lu = LinearUnit(1)
# 训练,迭代10轮,学习速率为0.01
input_vecs,labels = get_training_dataset()
lu.train(input_vecs,labels,10,0.01)
# 返回训练好的线性单元
return lu
if __name__ == '__main__':
'''
训练线性单元
'''
linear_unit = train_linear_unit()
# 打印获得的权重
print(linear_unit)
print('work 3.4 years, monthly salary = %.2f' %linear_unit.predict([3.4]))
print('work 15 years, monthly salary = %.2f' %linear_unit.predict([15]))
print('work 1.5 years, monthly salary = %.2f' %linear_unit.predict([1.5]))
print('work 6.3 years, monthly salary = %.2f' %linear_unit.predict([6.3]))