单层感知机实现布尔函数，附代码

单层感知机

单层感知器属于单层前向网络，即除输入层和输出层之外，只拥有一层神经元节点。

特点：输入数据从输入层经过隐藏层向输出层逐层传播，相邻两层的神经元之间相互连接，同一层的神经元之间没有连接。

感知器（perception）是由美国学者F.Rosenblatt提出的。与最早提出的MP模型不同，神经元突触权值可变，因此可以通过一定规则进行学习。可以快速、可靠地解决线性可分的问题。

简介

单层感知器由一个线性组合器和一个二值阈值元件组成。输入向量的各个分量先与权值相乘，然后在线性组合器中进行叠加，得到一个标量结果，其输出是线性组合结果经过一个二值阈值函数。二值阈值元件通常是一个上升函数，典型功能是非负数映射为1，负数映射为0或负一。

函数表达

布尔函数

给定三个布尔输入变量x₁，x₂，x₃，一个输出变量Y，三个输入变量中至少有两个是0时， 输出为-1；至少有两个大于0时，输出为1。

感知机示意图

图象

代码

# -*- coding: utf-8 -*-
"""
Created on Wed Oct  9 22:40:39 2019

@author: C
"""

import pandas as pd 
import numpy as np

def node (inputs, weights, T):
    result = np.dot(inputs, weights)-T
    result_ = pd.DataFrame(result)[0].map(lambda x:0 if x<0 else 1)
    graph = pd.DataFrame(np.vstack((result, np.array(result_)))).T
    return graph


inputs = np.random.uniform(-1, 1, (20,3))
weights = np.array([0.3, 0.3, 0.3]).T
T=0.4

graph = node (inputs, weights, T).rename(columns={0:'input',1:'output'})
graph.plot()

写在最后：

Il n’ya qu’un héroïsme au monde : c’est de voir le monde tel qu’il est et de l’aimer." Romain Rolland.