深度学习入门(1)：感知机

俺不是文盲

已于 2024-03-26 20:02:19 修改

阅读量405

点赞数 11

分类专栏：深度学习文章标签：深度学习笔记人工智能

于 2024-03-01 17:18:33 首次发布

本文链接：https://blog.csdn.net/weixin_42937740/article/details/136398725

版权

深度学习专栏收录该内容

2 篇文章 0 订阅

订阅专栏

前言

感知机是由美国学者Frank Rosenblatt在1957年提出来的。学习感知机的构造是学习通向神经网络和深度学习的一种重要思想。

1. 感知机是什么

感知机接收多个输入信号，输出一个信号。如图1-1所示，x1、x2是输入信号，y是输出信号，w1、w2是权重。图中的圆是“神经元”，输入信号被送往神经元时，会被分别乘以固定的权重。神经元会计算传送过来的信号总和，当这个总和超过某个界限值时，才会输出1，这里的界限值称为阈值，用 $eq?%5Ctheta$ 表示。

图1-1 有两个输入的感知机

将上述内容用数学式来表示，就是式(1-1)。

（1-1）

感知机的多个输入信号都有各自固有的权重，这些权重决定了信号的重要性。

2. 简单逻辑电路

2.1 与门

与门的真值表如下表2-1所示

表2-1 与门的真值表

x1	x2	y
0	0	0
1	0	0
0	1	0
1	1	1

下面用感知机来表示这个与门，需要做的就是确定w1、w2、 $eq?%5Ctheta$ 的值，满足与门真值表条件的参数有无数个，如（w1,w1, $eq?%5Ctheta$ ）=(0.5,0.5,0.7)，只有当x1和x2同时为1时，信号的加权总和才会超过给定阈值 $eq?%5Ctheta$ 。

2.2 与非门和或门

接下来看一下与非门的真值表

表2-2 与非门的真值表

x1	x2	y
0	0	1
1	0	1
0	1	1
1	1	0

把与门的参数取反(w1,w1, $eq?%5Ctheta$ ）=(-0.5,-0.5,-0.7)就可以实现与非门。

接下来是或门

x1	x2	y
0	0	0
1	0	1
0	1	1
1	1	1

可以设定(w1,w1, $eq?%5Ctheta$ ）=(0.5,0.5,0.2)。

2.3 感知机的实现

2.3.1 导入偏置

我们将之前的式(1-1)换个形式：

(2-1)

表达的内容是完全相同的，b称为偏置，感知机会计算输入信号和权重的乘积，然后加上偏置，如果这个值大于0则输出1，否则输出0，接下来我们来实现与门、与非门和或门。

2.3.2 实现与门

import numpy as np
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(0,0))#输出0
print(AND(1,0))#输出0
print(AND(0,1))#输出0
print(AND(1,1))#输出1

2.3.3 实现与非门

def NAND(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(NAND(0,0))#输出1
print(NAND(1,0))#输出1
print(NAND(0,1))#输出1
print(NAND(1,1))#输出0

2.3.4 实现或门

def OR(x1,x2):
    x = np.array([x1,x2])
    w = np.array([0.5,0.5])
    b = -0.2
    tmp = np.sum(w*x)+b
    if tmp <= 0:
        return 0
    else:
        return 1

print(OR(0,0))#输出0
print(OR(1,0))#输出1
print(OR(0,1))#输出1
print(OR(1,1))#输出1