1 神经元模型
神经网络中最基本的成分是神经元模型。
2 单层感知器
输入节点:X1,X2,X3
输出节点:y
权向量: W1,W2,W3
偏置因子:b
激活函数:当x>=0,sign(x)=1;当x<0,sign(x)=-1。
举例:取W1=W2=W3=0.5 ,b=-0.8
当0.5x1+0.5x2+0.5x3-0.8>=0时,Y=1
当0.5x1+0.5x2+0.5x3-0.8<0时,Y=-1
X1 | X2 | X3 | Y |
---|---|---|---|
0 | 0 | 0 | -1 |
0 | 0 | 1 | -1 |
0 | 1 | 0 | -1 |
0 | 1 | 1 | 1 |
1 | 0 | 0 | -1 |
1 | 0 | 1 | 1 |
1 | 1 | 0 | 1 |
1 | 1 | 1 | 1 |
3 感知器学习规则
举例:假设:t=1,η=1,x1=1,w1=-5,b=0:
学习率?取值一般取0-1之间
学习率太大容易造成权值调整不稳定
学习率太小,权值调整太慢,迭代次数太多
4 单层感知器程序
题目:假设平面坐标系上有四个点,(3,3),(4,3)这两个点的标签为1, (1,1),(0,2)这两个点的标签为-1。构建神经网络来分类。
思路:我们要分类的数据是2维数据,所以只需要2个输入节点,我们可 以把神经元的偏置值也设置成一个节点,这样我们需要3个输入节点。
输入数据有4个(1,3,3),(1,4,3), (1,1,1),(1,0,2) 数据对应的标签为(1,1,-1,-1) 初始化权值w0,w1,w2取-1到1的随机数 学习率(learning rate)设置为0.11 激活函数为sign函数
import numpy as np
import matplotlib.pyplot as plt
#输入数据
X = np.array([[1,3,3],
[1,4,3],
[1,1,1],
[1,0,2]])
#标签
Y = np.array([[1],
[1],
[-1],
[-1]])
#权值初始化,3行1列,取值范围-1到1
W = (np.random.random([3,1])-0.5)*2
print(W)
#学习率设置
lr = 0.11
#神经网络输出
O = 0
def update():
global X,Y,W,lr
O = np.dot(X,W)
W_C = lr*(X.T.dot(Y-O))/int(X.shape[0])
W = W + W_C
for _ in range(100):
update()#更新权值
#正样本
x1 = [3,4]
y1 = [3,3]
#负样本
x2 = [1,0]
y2 = [1,2]
#计算分界线的斜率以及截距
k = -W[1]/W[2]
d = -W[0]/W[2]
print('k=',k)
print('d=',d)
xdata = (0,5)
plt.figure()
plt.plot(xdata,xdata*k+d,'r')
plt.scatter(x1,y1,c='b')
plt.scatter(x2,y2,c='y')
plt.show()