python进行逻辑求和_python实例之神经网络实现and逻辑运算

几个函数介绍

[0.0 for _ in range(input_num)] 创建一个共有input_num个元素且每个元素都是0.0的列表

lambda表达式

g = lambda x:x+1

定义了一个匿名函数，等同于

def g(x):

return x+1

reduce函数

def f(x, y):

return x + y

reduce(f, [1, 3, 5, 7, 9])

reduce函数将做如下计算：

1.先计算头两个元素：f(1, 3)，结果为4；

2.再把结果和第3个元素计算：f(4, 5)，结果为9；

3.再把结果和第4个元素计算：f(9, 7)，结果为16；

4.再把结果和第5个元素计算：f(16, 9)，结果为25；

5.由于没有更多的元素了，计算结束，返回结果25。

reduce()还可以接收第3个可选参数，作为计算的初始值。如果把初始值设为100,计算初始值和第一个元素：f(100, 1)，结果为101。最终结果将变为125。

zip函数

a, b = [0, 1], [2, 3]

ab = zip(a, b)

print(list(ab))

# [(0, 2), (1, 3)]

将两个列表压缩成组成元组的列表

map函数

map()是 Python 内置的高阶函数，它接收一个函数 f 和一个 list，并通过把函数 f 依次作用在 list 的每个元素上，得到一个新的 list 并返回。

def f(x):

return x*x

print map(f, [1, 2, 3, 4, 5, 6, 7, 8, 9])

#[1, 4, 9, 10, 25, 36, 49, 64, 81]

实例

class Perceptron(object):

def __init__(self, input_num, activator):

'''

初始化感知器，设置输入参数的个数，以及激活函数。

激活函数的类型为double -> double

'''

self.activator = activator

# 权重向量初始化为0

self.weights = [0.0 for _ in range(input_num)]

# 偏置项初始化为0

self.bias = 0.0

def __str__(self):

'''

打印学习到的权重、偏置项

'''

return 'weights\t:%s\nbias\t:%f\n' % (self.weight