本文作者:合肥工业大学 管理学院 钱洋 email:1563178220@qq.com 。
以下内容是个人的学习笔记,内容可能有不到之处,欢迎交流。未经本人允许禁止转载。
python3实现简单的感知器
下面使用python3实现or运算:
#-*- coding:utf-8 -*-
from functools import reduce
class Perceptron(object):
def __init__(self, input_num, activator):
'''
初始化感知器,设置输入参数的个数,以及激活函数。
'''
self.activator = activator
# 权重向量初始化为0
self.weights = [0.0 for _ in range(input_num)]
# 偏置项初始化为0
self.bias = 0.0
def __str__(self):
'''
打印学习到的权重、偏置项
'''
return 'weights\t:%s\nbias\t:%f\n' % (self.weights, self.bias)
def predict(self, input_vec):
'''
输入向量,输出感知器的计算结果
'''
# 把input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]打包在一起
# 变成[(x1,w1),(x2,w2),(x3,w3),...]
# 然后利用map函数计算[x1*w1, x2*w2, x3*w3]
# 最后利用reduce求和
return self.activator(reduce(lambda a,b:a+b,map(lambda x:x[0]*x[1],zip(input_vec,self.weights)),0.0)+self.bias)#0.0为reduce的初始计算值
def train(self, input_vecs, labels, iteration, rate):
'''
输入训练数据:一组向量、与每个向量对应的label;以及训练轮数、学习率
'''
for i in range(iteration):
self._one_iteration(input_vecs, labels, rate)
def _one_iteration(self, input_vecs, labels, rate):
'''
一次迭代,把所有的训练数据过一遍
'''
# 把输入和输出打包在一起,成为样本的列表[(input_vec, label), ...]
# 而每个训练样本是(input_vec, label)
samples = zip(input_vecs, labels)
# 对每个样本,按照感知器规则更新权重
for input_vec, label in samples:
# 计算感知器在当前权重下的输出
output = self.predict(input_vec)
# 更新权重
self._update_weights(input_vec, output, label, rate)
def _update_weights(self, input_vec, output, label, rate):
'''
按照感知器规则更新权重
'''
delta = label - output
self.weights = list(map(lambda x:x[1]+rate*delta*x[0],zip(input_vec,self.weights)))
# 更新bias
self.bias += rate * delta
def f(x):
'''
激活函数f
'''
return 1 if x > 0 else 0
def get_training_data():
'''
基于or真值表构建训练数据
'''
# 构建训练数据
# 输入向量列表
input_vecs = [[1,1], [0,0], [1,0], [0,1]]
labels = [1, 0, 1, 1]
return input_vecs, labels
def train_perceptron():
'''
使用and真值表训练感知器
'''
# 创建感知器,输入参数个数为2,激活函数为f
p = Perceptron(2, f)
# 获取数据集
input_vecs, labels = get_training_data() # 训练,迭代10轮, 学习速率为0.1
p.train(input_vecs, labels, 10, 0.1)
#返回训练好的感知器
return p
if __name__ == '__main__':
# 训练and感知器
perception = train_perceptron()
# 打印训练获得的权重
print (perception)
# 测试
print('1 and 1 = %d' % perception.predict([1, 1]))
print('0 and 0 = %d' % perception.predict([0, 0]))
print('1 and 0 = %d' % perception.predict([1, 0]))
print('0 and 1 = %d' % perception.predict([0, 1]))
程序的输出结果为:
参考内容:
https://towardsdatascience.com/what-the-hell-is-perceptron-626217814f53
https://towardsdatascience.com/activation-functions-neural-networks-1cbd9f8d91d6
http://hagan.okstate.edu/NNDesign.pdf
https://www.zybuluo.com/hanbingtao/note/433855