引言
正式开始学习深度，然后决定将学习的内容汇总分享一下，这个应该是会做成一个系列，我打算直接从神经网络最基础、最底层的内容开始。
本系列内容主要参考《深度学习入门-基于Python的理论与实践》
简述感知机
感知机是什么？
感知机最早是由美国学者Frank Rosenblatt在1957年提出的。感知机能够接受多个信号，最后输出一个信号（信号就是是数据），这事实上和电流很类似。而我们为什么要在深度学习的内容中最先开始提到感知机，主要还是因为感知机是作为神经网络（深度学习）的起源算法，在开始的学习中，了解感知机有利于后面神经网络的神经元的理解。
感知机实例
那么我们借助一个简单的感知机例子来叙述这部分内容，如图1所示：
其实从图中我们很容易得到这个感知机模型一共有两个输入，分别是x_1和x_2，经过某种运算得到y，事实上，这里的运输就是简单的乘法和加法，输出y的表达式为：
y
=
x
1
×
w
1
+
x
2
×
w
2
y= x_1×w_1+x_2×w_2
y=x1×w1+x2×w2
而在感知机中y的取值一般只取0或者1，那么上述的式子就变成了：
y
=
{
0
w
1
x
1
+
w
2
x
2
≤
θ
1
w
1
x
1
+
w
2
x
2
>
θ
y = \begin{cases} 0& \text{ } w_{1}x_{1}+w_{2}x_{2}\le \theta \\ 1& \text{ } w_{1}x_{1}+w_{2}x_{2}> \theta \end{cases}
y={01 w1x1+w2x2≤θ w1x1+w2x2>θ
其实从图1的信息就可以得知，感知机的输入都会有各自的权重，这些权重就是对输入信息的处理。下面，我们利用感知机对简单逻辑电路中的逻辑门进行实现。
感知机对逻辑电路的实现
与门
与门是有两个输入和一个输出的门电路，两个信息的输入信息与输出信息如下表所示：
| x 1 x_{1} x1 | x 2 x_{2} x2 | y |
|---|---|---|
| 0 | 0 | 0 |
| 1 | 0 | 0 |
| 0 | 1 | 0 |
| 1 | 1 | 1 |
依据表中的数据，我们需要的就是确定特定的
w
1
w_{1}
w1、
w
2
w_{2}
w2和
θ
\theta
θ的值，来使得我们感知机的输出的值满足上述表格。事实上，能够满足条件的参数有很多种，我们这里就用比较常用的一种与门感知机参数，即
(
w
1
,
w
2
,
θ
)
=
(
0.5
,
0.5
,
0.7
)
(w_{1},w_{2},\theta) =(0.5,0.5,0.7)
(w1,w2,θ)=(0.5,0.5,0.7)。当然也可以用其他的参数值，我们这里就只实现这一种。那么对应我们的表达式就是：
y
=
{
0
0.5
x
1
+
0.5
x
2
≤
0.7
1
0.5
x
1
+
0.5
x
2
>
0.7
y = \begin{cases} 0& \text{ } 0.5x_{1}+0.5x_{2}\le 0.7 \\ 1& \text{ } 0.5x_{1}+0.5x_{2}> 0.7 \end{cases}
y={01 0.5x1+0.5x2≤0.7 0.5x1+0.5x2>0.7
那么python实现就相当简单了：
def AND(X1,X2):
W1,W2,theta = 0.5，0.5，0.7
tmp = x1*W1+x2*W2 - theta
if tmp <= 0:
return 0
elif tmp > 0:
return 1
验证一下，特别说明，对于电路逻辑门，输入只有1/0，输出结果：
AND(0,0) # 输出0
AND(1,0) # 输出0
AND(0,1) # 输出0
AND(1,1) # 输出1
与非门、或门
与门我们已经实现了，那么读者可以自行尝试一下将与非门和或门实现一下，两种门的输入输出表如下：
与非门：
| x 1 x_{1} x1 | x 2 x_{2} x2 | y |
|---|---|---|
| 0 | 0 | 1 |
| 1 | 0 | 1 |
| 0 | 1 | 1 |
| 1 | 1 | 0 |
def NAND(x1,x2):
或门：
| x 1 x_{1} x1 | x 2 x_{2} x2 | y |
|---|---|---|
| 0 | 0 | 0 |
| 1 | 0 | 1 |
| 0 | 1 | 1 |
| 1 | 1 | 1 |
def OR(x1,x2):
对于与门、与非门、或门都是具有相同构造的感知机，他们之间的区别仅仅只有权重参数的不同而已。
异或门
上面讲到的与门、与非门、或门都是具有相同构造的感知机，也就是可以用下面的表达式来表示：
y
=
{
0
w
1
x
1
+
w
2
x
2
≤
θ
1
w
1
x
1
+
w
2
x
2
>
θ
y = \begin{cases} 0& \text{ } w_{1}x_{1}+w_{2}x_{2}\le \theta \\ 1& \text{ } w_{1}x_{1}+w_{2}x_{2}> \theta \end{cases}
y={01 w1x1+w2x2≤θ w1x1+w2x2>θ而异或门的结构并不是，这也是属于感知机的局限性的一种体现。
异或门也被称为逻辑异或电路，他的输入输出形式如下表所示：
| x 1 x_{1} x1 | x 2 x_{2} x2 | y |
|---|---|---|
| 0 | 0 | 0 |
| 1 | 0 | 1 |
| 0 | 1 | 1 |
| 1 | 1 | 0 |
前面我们所讲的几种逻辑门，都是一个输入对应一个权值，然后与 θ \theta θ的值进行对比。对比上面异或门的表所示，很容易得到，对于权重 w 1 w_{1} w1、 w 2 w_{2} w2值，应该会有 w 1 w_{1} w1> θ \theta θ(表中数据第二行），以及 w 2 w_{2} w2> θ \theta θ（表中数据第三行）。但是从输入为（1,1），输出为0，又可以得出 w 1 w_{1} w1+ w 2 w_{2} w2> θ \theta θ，这显然前后是矛盾的。因此，简单的感知机并不能实现异或门。
那么异或门如何实现的？
由此，不禁然间产生了这样的疑惑：异或门就不能利用到感知机实现了么？我相信读者应该有一点电路的基础（如果没有的话，可以去查询一下逻辑电路的实现方法）。那么在电路中，异或门要怎么实现？是利用现有的、已经实现的逻辑门来搭建。而我们已经实现了的逻辑门有与门（AND）、与非门(NAND)和或门(OR)。、
怎么利用现有的门实现异或门？
对于这个问题，我们直接给出解决方案，读者也可以依据自己的知识储备去理解为什么是这样的实现的。
我们用电路中对逻辑门的符号来表示几个逻辑门，表示形式如下图所示：
通过组合与，与门、与非门、或门实现异或门的配置如下图所示：
对于不同输入下各个参数的情况如下表所示：
| x 1 x_{1} x1 | x 2 x_{2} x2 | s 1 s_{1} s1 | s 2 s_{2} s2 | y |
|---|---|---|---|---|
| 0 | 0 | 1 | 0 | 0 |
| 1 | 0 | 1 | 1 | 1 |
| 0 | 1 | 1 | 1 | 1 |
| 1 | 1 | 0 | 1 | 0 |
基于上述配置，我们也能够通过python代码实现，实现结果如下：
def XOR(x1,x2):
s1 = NAND(x1,x2)
s2 = OR(X1,X2)
y = AND(s1,s2)
return y
代码十分简单，输出结果如下：
输出：
XOR（0，0） #输出0
XOR（1，0） #输出1
XOR（0，1） #输出1
XOR（1，1） #输出0
这样异或门就实现了！
小结
以上是通过python代码实现了几个感知机得模型，最后还利用已有得感知机模型完成对异或门的实现。至于最后为什么要完成对异或门的实现，事实上和我们后面学习神经网络的理解有很大的帮助，我们知道，神经网络是各个神经元直接的数据输入输出的传递，这和异或门的实现比较类似。那么感知机的叙述就到这里了，有问题的欢迎提问，虽然因为我也在学习阶段，对一些问题的理解还不够通彻，但我们还是可以讨论讨论的。
扫一扫
1191
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
