感知机认识

最新推荐文章于 2024-11-10 15:01:17 发布

P("Struggler") ?

最新推荐文章于 2024-11-10 15:01:17 发布

阅读量133

点赞数

分类专栏： ML & ME & GPT 文章标签： python numpy 机器学习

本文链接：https://blog.csdn.net/weixin_38233104/article/details/127434559

版权

ML & ME & GPT 专栏收录该内容

98 篇文章 0 订阅

订阅专栏

这篇博客介绍了感知机的基本概念，包括权重和偏置的设置，以及它如何表示逻辑电路。文章强调单层感知机只能处理线性问题，而多层感知机则能解决非线性问题。通过实例展示了使用感知机实现与门（AND gate）和与非门（NAND gate）的过程，并用numpy进行实现。此外，还讨论了感知机在逻辑电路表示中的局限性和多层结构的重要性。

摘要由CSDN通过智能技术生成

# 感知机
# 主要形式四号通过接收多个信号然后输出一个信号
# 感知机将权重和偏置设置为参数
# 感知机可以表示逻辑电路
# 异或门无法通过单层感知机实现 可以通过多层实现
# 单层感知机只能表示线性空间，多层感知机可以描述非线性空间
#

# 简单逻辑电路
#   与门（AND gate）
#       有两个输入和一个输出的门电路
#
#   与非门（NAND gate）
#       颠倒了与门的输出
#

# 感知机的实现 与门（and gate）实现
# def AND(x1, x2):
#     w1, w2, theta = 0.5, 0.5, 0.7
#     tmp = x1 * w1 + x2 * w2
#     if tmp <= theta:
#         return 0
#     elif tmp > theta:
#         return 1
#
#
# print(AND(0, 0))
# print(AND(0, 1))

# 导入权重和偏置
# numpy 实现感知机

import numpy as np
# x = np.array([0, 1])
# w = np.array([0.5, 0.5])
# b = -0.7
# print(x * w)
# print(np.sum(x * w))
# print(np.sum(w * x) + b)

# 使用numpy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 0
    else:
        return 1

print(AND(1, 1))
print(AND(0.5, 0.5))