1.感知机是什么
笼统来说,感知机就是接收多个输入信号,输出一个信号,输入信号可以表示为x1,x2,输出信号用y来表示,运行原理为:y=0(w1x1+w2x2+b<=0)或y=1(w1x1+w2x2+b>0),输出1时表示神经元被激活,其中w1和w2表示权重,它代表了输入信号的重要性,即权重越大,输入信号的重要性就越高。b是偏置,它调整了神经元被激活的难易程度,如何理解呢?比如b=-0.1,那么只需要输入信号的加权总和超过0.1就可以将神经元激活,但如果b=-20,那么输入信号的加权总和必须超过20方可激活神经元。
2.用感知机实现简单的逻辑电路
由于感知机的权重是由人工确定的,且满足条件的参数选择方法有无数多个,所以在此不再赘述如何确定w1,w2,b的值,而是在具有对NumPy数组熟练使用的情况下,笔者直接使用代码来实现:
2.1与门(w1=0.5,w2=0.5,b=-0.7)
# 实现与门
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 1
else:
return 0
2.2与非门(w1=-0.5,w2=-0.5,b=0.7)
# 实现与非门
def NAND(x1, x2):
x = np.array([x1, x2])
w = np.array([-0.5, -0.5])
b = 0.7
tmp = np.sum(x*w) + b
if tmp > 0:
return 1
else:
return 0
2.3或门(w1=0.5,w2=0.5,b=-0.2)
# 实现或门
def OR(x1, x2):
x = np.array([x1, x2])
w = np.array([0.5, 0.5])
b = -0.2
tmp = np.sum(x*w) + b
if tmp > 0:
return 1
else:
return 0
3.感知机的局限性
我们思考一个问题,为什么我们可以使用单层感知机来轻松表示与门、与非门和或门,是因为w1x1+w2x2+b这一加权和作为一条直线将解空间一分为二,一边输出0、一边输出1,但是我们是否可以同样使用单层感知机来表示异或门呢?答案是否定的,如下图:
我们根据上图四个点可以发现,我们无法通过一条直线来实现异或门解空间的划分,我们可以通过一条曲线来划分异或门的解空间,而感知机的局限性就在于只能用一条直线来分割解空间。
4.多层感知机(以使用多层感知机实现异或门为例)
单层感知机无法表示异或门,但是感知机的绝妙之处在于它可以通过层数的叠加来实现异或门,异或门可以通过已有门电路的组合来实现:
# 实现异或门(多层感知机)
def XOR(x1, x2):
s1 = NAND(x1, x2)
s2 = OR(x1, x2)
return AND(s1, s2)
(感知机是神经网络的基础,因此一定要掌握好!!)