第一章感知器

最新推荐文章于 2023-04-19 23:14:48 发布

C.&H.

最新推荐文章于 2023-04-19 23:14:48 发布

阅读量1.1k

点赞数

分类专栏：零基础入门深度学习

原文链接：https://www.zybuluo.com/hanbingtao/note/433855

版权

零基础入门深度学习专栏收录该内容

1 篇文章 0 订阅

订阅专栏

深度学习是啥

在人工智能领域，有一个方法叫机器学习。在机器学习这个方法里，有一类算法叫神经网络。神经网络如下图所示：

上图中每个圆圈都是一个神经元，每条线表示神经元之间的连接。我们可以看到，上面的神经元被分成了多层，层与层之间的神经元有连接，而层内之间的神经元没有连接。最左边的层叫做输入层，这层负责接收输入数据；最右边的层叫输出层，我们可以从这层获取神经网络输出数据。输入层和输出层之间的层叫做隐藏层。

隐藏层比较多（大于2）的神经网络叫做深度神经网络。而深度学习，就是使用深层架构（比如，深度神经网络）的机器学习方法。

那么深层网络和浅层网络相比有什么优势呢？简单来说深层网络能够表达力更强。事实上，一个仅有一个隐藏层的神经网络就能拟合任何一个函数，但是它需要很多很多的神经元。而深层网络用少得多的神经元就能拟合同样的函数。也就是为了拟合一个函数，要么使用一个浅而宽的网络，要么使用一个深而窄的网络。而后者往往更节约资源。

深层网络也有劣势，就是它不太容易训练。简单的说，你需要大量的数据，很多的技巧才能训练好一个深层网络。这是个手艺活。

感知器

看到这里，如果你还是一头雾水，那也是很正常的。为了理解神经网络，我们应该先理解神经网络的组成单元——神经元。神经元也叫做感知器。感知器算法在上个世纪50-70年代很流行，也成功解决了很多问题。并且，感知器算法也是非常简单的。

感知器的定义

下图是一个感知器：

可以看到，一个感知器有如下组成部分：

输入权值 一个感知器可以接收多个输入（x1，x2，...xn），每个输入上有一个权值wi，此外还有一个偏置项b，就是上图中的w0。
激活函数 感知器的激活函数可以有很多选择，比如我们可以选择下面这个阶跃函数f来作为激活函数：

f (z) = 1(z>0) 或者 0（z<=0）

输出感知器的输出由下面这个公式来计算

y = f(w * x + b) 公式（1）

如果看完上面的公式一下子就晕了，不要紧，我们用一个简单的例子来帮助理解。

例子：用感知器实现and函数

我们设计一个感知器，让它来实现and运算。程序员都知道，and是一个二元函数（带有两个参数和），下面是它的真值表：

x1	x2	y
0	0	0
0	1	0
1	0	0
1	1	1

为了计算方便，我们用0表示false，用1表示true。这没什么难理解的，对于C语言程序员来说，这是天经地义的。

我们令w1 = 0.5；w2 = 0.5；b = -0.8而激活函数f就是前面写出来的阶跃函数，这时，感知器就相当于and函数。不明白？我们验算一下：

输入上面真值表的第一行，即x1 = 0 x2 = 0，那么根据公式(1)，计算输出：

y = f(w * x + b)

=f(w1 * x1 + w2 * x2 +b)

=f(0.5 * 0 + 0.5 * 0 - 0.8)

=f(-0.8)

也就是当x1,x2都为0的时候，y为0，这就是真值表的第一行。读者可以自行验证上述真值表的第二、三、四行。

例子：用感知器实现or函数

同样，我们也可以用感知器来实现or运算。仅仅需要把偏置项b的值设置为-0.3就可以了。我们验算一下，下面是or运算的真值表：

x1	x2	y
0	0	0
0	1	1
1	0	1
1	1	1

我们来验算第二行，这时的输入是x1 =0 x2 = 1，带入公式(1)：

y = f(0.5 * 0 + 0.5 * 1 - 0.3)

=f(0.2)

也就是当时x1=0,x2=1时y=1，即or真值表第二行。读者可以自行验证其它行。

感知器还能做什么

事实上，感知器不仅仅能实现简单的布尔运算。它可以拟合任何的线性函数，任何线性分类或线性回归问题都可以用感知器来解决。前面的布尔运算可以看作是二分类问题，即给定一个输入，输出0（属于分类0）或1（属于分类1）。如下面所示，and运算是一个线性分类问题，即可以用一条直线把分类0（false，红叉表示）和分类1（true，绿点表示）分开。

然而，感知器却不能实现异或运算，如下图所示，异或运算不是线性的，你无法用一条直线把分类0和分类1分开。

感知器的训练

现在，你可能困惑前面的权重项和偏置项的值是如何获得的呢？这就要用到感知器训练算法：将权重项和偏置项初始化为0，然后，利用下面的感知器规则迭代的修改和，直到训练完成。

$wi = wi + \Delta wi$

$b = b +\Delta b$

其中: $\Delta wi = \eta (t-y)xi$

$\Delta b = \eta (t-y)$

wi是与输入xi对应的权重项，b是偏置项。事实上，可以把b看作是值永远为1的输入xb所对应的权重。t是训练样本的实际值，一般称之为label。而y是感知器的输出值，它是根据公式(1)计算得出。 $\eta$ 是一个称为学习速率的常数，其作用是控制每一步调整权的幅度。

每次从训练数据中取出一个样本的输入向量x，使用感知器计算其输出y，再根据上面的规则来调整权重。每处理一个样本就调整一次权重。经过多轮迭代后（即全部的训练数据被反复处理多轮），就可以训练出感知器的权重，使之实现目标函数。

编程实战：实现感知器

完整代码请参考GitHub: https://github.com/hanbt/learn_dl/blob/master/perceptron.py (python2.7)

对于程序员来说，没有什么比亲自动手实现学得更快了，而且，很多时候一行代码抵得上千言万语。接下来我们就将实现一个感知器。

下面是一些说明：

使用python语言。python在机器学习领域用的很广泛，而且，写python程序真的很轻松。
面向对象编程。面向对象是特别好的管理复杂度的工具，应对复杂问题时，用面向对象设计方法很容易将复杂问题拆解为多个简单问题，从而解救我们的大脑。
没有使用numpy。numpy实现了很多基础算法，对于实现机器学习算法来说是个必备的工具。但为了降低读者理解的难度，下面的代码只用到了基本的python（省去您去学习numpy的时间）。

下面是感知器类的实现代码。

from __future__ import print_function
from functools import reduce
'''
一、该类实现向量的计算操作
'''
class VectorOp(object):
    '''
     使用@staticmethod或@classmethod，就可以不需要实例化，直接类名.方法名()来调用。
    '''
    '''
    (1)函数说明：计算两个向量x 和 y的内积
    '''
    @staticmethod
    def dot(x,y):
        return reduce(lambda a,b:a+b,VectorOp.element_multiply(x,y),0.0)
    '''
     (2)函数说明：将两个向量x，y 按元素相乘
    '''
    @staticmethod
    def element_multiply(x,y):
        return list(map(lambda x_y:x_y[0] * x_y[1],zip(x,y)))
    '''
     (3)函数说明：将两个向量x,y按元素相加
    '''
    @staticmethod
    def element_add(x,y):
        return list(map(lambda x_y:x_y[0]+x_y[1],zip(x,y)))
    '''
     (4)函数说明：将向量v中的每个元素 与 标量s相乘
    '''
    @staticmethod
    def scala_multiply(v,s):
        return map(lambda e:e*s,v)

'''
二、开始编写感应器类
'''
class Perception(object):
    '''
    （1）函数说明：初始化感知器，设置输入参数的个数，以及激活函数
         参数： self 感知器
                input_num  输入参数的数目
                activator  激活函数（double类型）
         激活函数的形式
           f(z)= 1(z>0)或者 0(z<=0)
           y = f(w1x1+w2x2+b) 。其中x为输入值，w为输入上的权值，b为偏置项。（z=w1x1+w2x2+b)）
    '''
    def __init__(self,input_num,activator):
        #设置感应器的激活函数
        self.activator = activator
        #权重向量初始化为0
        self.weights = [0.0]*input_num
        #偏置项初始化为0
        self.bias = 0.0
    '''
     (2)函数说明：返回学习到的权重、偏置项（这两个变量在训练过程中是不断变化的）
        参数：感应器 
    '''
    def __str__(self):
        #返回权重w、偏移量
        return "权重值\t：%s\n偏移值\t：%f\n" % (self.weights,self.bias)
    '''
     (3)函数说明：获取感应器的计算结果（即f(z)中的z值）
        参数： self 感应器
               input_vec 输入的x值
        返回值：w1x1+w2x2+b的结果z
        思路：1.把input_vec[x1,x2,x3...]和weights[w1,w2,w3...]打包在一起
              2.打包后变成[（x1,w1）,(x2,w2),(x3,w3),...]
              3.利用map函数计算[x1*w1 , x2*w2 , x3*w3]
              4.最后利用reduce求和
    '''
    def predict(self,input_vec):
        return self.activator(
         VectorOp.dot(input_vec,self.weights)+ self.bias)
    '''
     （4）函数说明：对数据进行训练，训练指定的轮数
          参数：self 感应器
                input_vecs 输入的x值[x1,x2...]
                labels 训练样本的实际取值（1 或 0 ）
                iteration 训练的轮数
                rate 学习率
    '''
    def train(self,input_vecs,labels,iteration,rate):
        #训练数据iteration轮
        for i in range(iteration):
            self._one_iteration(input_vecs,labels,rate)
    '''
     (5)函数说明：训练数据（训练一次）
        参数说明：input_vecs 输入的x值[x1,x2...]
                  labels 训练样本的实际取值（1 或 0 ）
                  rate 学习率
        思路：1.把输入和实际输出打包在一起，成为样本的列表[(input_vec,label),...]
              2.此时每个训练样本是（input_vec,label）
              3.对每个样本，按照感知器规则更新权重
        权重、偏移项的更新规则：1.权重项：wi+wi的变化量 -> wi
                                  偏置项：b+b的变化量 -> b
                                2. 其中：wi的变化量 = n(t-y)xi
                                         b的变化量 = n(t-y)
                                    n ：学习率。控制每一步调整的幅度
                                    t : 训练样本的实际值（实际输出值）（labels）
                                    y ：感知器的输出值
    '''
    def _one_iteration(self,input_vecs,labels,rate):
        #1.把输入和实际输出打包在一起
        samples = zip(input_vecs,labels)
        #2.对每个样本，按照感知器规则更新权重
        for(input_vec,label) in samples:
            #计算感应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)
    '''
     (6)函数说明：更新权重、偏移项
        参数值：input_vecs 输入的值x
                output 感应器的输出值
                label  实际的输出值
                rate 学习率
        思路：1.将input_vecs[x1,x2,...]和weights[w1,w2,...]打包在一起
              2.打包之后，变成[(x1,w1),(x2,w2),...]
              3.利用感知器规则更新权重
    '''
    def _update_weights(self,input_vecs,output,label,rate):
        # 计算实际输出与感应器输出的差值
        data = label-output
        #更新权重(wi = wi + wi的变化量 = wi + （实际输出label-感应器输出output）*学习率rate*输入input_vecs )
        self.weights = VectorOp.element_add(
            self.weights,VectorOp.scala_multiply(input_vecs,rate*data))
        #更新偏移项
        self.bias = self.bias+data*rate

'''
接下来，利用感知器类去实现 and 函数（x1 and x2）
     x1   x2   输出
     0    0     0
     0    1     0
     1    0     0
     1    1     1
'''
'''
(1)定义激活函数f
'''
def f(x):
    #若x>0，f（x）=1 , 否则 f(x)=0
    return 1 if x>0 else 0
'''
(2)基于and真值表，构建训练数据
'''
def get_training_dataset():
    #构建输入的向量列表
    input_vecs = [[1,1],[0,0],[1,0],[0,1]]
    #期待输出的值
    # [1,1]:1   [0,0]:0   [1,0]:0  [0,1]:0
    labels = [1,0,0,0]
    #返回输入值，以及实际的输出值
    return input_vecs,labels
'''
 (3)使用and真值表训练感知器
    思路：1.创建感知器
          2.创建训练数据
          3.对数据进行训练，迭代10轮，学习速率为0.1
          4.返回创建好的感知器
'''
def train_and_perception():
    #创建输入个数为2,激活参数为f的感知器。
    #使的第一个初始化函数中的参数 input_num=2, activator=f
    p = Perception(2,f)
    #创建训练数据
    input_vecs,labels = get_training_dataset()
    #对数据进行训练
    p.train(input_vecs,labels,10,0.1)
    #返回训练好的感知器
    return p
'''
 测试
'''
if __name__ == '__main__':
    #训练and感知器
    and_perception = train_and_perception()
    #打印训练获取的权重
    print(and_perception)
    #测试
    print('1 and 1 = %d' % and_perception.predict([1,1]))
    print('1 and 0 = %d' % and_perception.predict([1,0]))
    print('0 and 1 = %d' % and_perception.predict([0,1]))
    print('0 and 0 = %d' % and_perception.predict([0,0]))

运行结果：

C.&H.

关注

0
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
第一章感知器

深度学习是啥在人工智能领域，有一个方法叫机器学习。在机器学习这个方法里，有一类算法叫神经网络。神经网络如下图所示：上图中每个圆圈都是一个神经元，每条线表示神经元之间的连接。我们可以看到，上面的神经元被分成了多层，层与层之间的神经元有连接，而层内之间的神经元没有连接。最左边的层叫做输入层，这层负责接收输入数据；最右边的层叫输出层，我们可以从这层获取神经网络输出数据。输入层和输出层之间的层...
复制链接

扫一扫