二、感知器

最新推荐文章于 2022-07-17 19:18:41 发布

若若x

最新推荐文章于 2022-07-17 19:18:41 发布

阅读量352

点赞数

分类专栏：深度学习入门:基于Python的理论与实现

本文链接：https://blog.csdn.net/weiqiyuyan/article/details/104477960

版权

本文介绍了感知机的概念，它通过输入信号的加权总和与阈值比较来决定输出。权重和偏置参数影响激活输出的概率。接着，文章展示了如何用感知机实现逻辑门函数，如与门、与非门、或门，并通过组合这些门实现异或门，强调了感知机的非线性和多层潜力。

摘要由CSDN通过智能技术生成

1.感知机
接收多个输入信号，输出一个信号，有“流/不流”（1/0）两种取值。在本书中，0对应“不传递信号”，1对应“传递信号”。其中，x1、x2是输入信号，y是输出信号，w1、w2是权重（w是weight的首字母）。图中的○称为“神经元”或者“节点”。输入信号被送往神经元时，会被分别乘以固定的权重（w1x1、w2x2）。神经元会计算传送过来的信号的总和，只有当这个总和超过了某个界限值时，才会输出1。这也称为“神经元被激活”。这里将这个界限值称为阈值，用符号θ表示。
w1和w2是控制输入信号的重要性的参数，而偏置是调整神经元被激活的容易程度（输出信号为1的程度）的参数。比如，若b为−0.1，则只要输入信号的加权总和超过0.1，神经元就会被激活。
2.简单实现
与门

def AND(x1, x2):
w1, w2, theta = 0.5, 0.5, 0.7#权重，偏置
tmp = x1w1 + x2w2
if tmp <= theta:
return 0
elif tmp > theta:
return 1

def AND(x1, x2):
x = np.array([x1, x2])
w = np.array([0.5, 0.5])
b = -0.7
tmp = np.sum(w*x) +