深度学习入门——感知器实现逻辑电路

1. 与门、与非门、或门

• 与门真值表：
• 与非门真值表：
• 或门真值表：
  perceptron.py:

import numpy as np


# 使用权重和偏置实现逻辑电路
def AND(x1, x2):
    """与门"""
    x_input = np.array([x1, x2])
    weight = np.array([1, 1])
    bais = -2
    tmp = np.sum(x_input * weight) + bais
    if tmp <= 0:
        return 0
    elif tmp > 0:
        return 1


def NAND(x1, x2):
    """与非门"""
    x = np.array([x1, x2])
    w = np.array([-1, -1]) # 与非门的权重只需要跟与门的相反即可
    b = -0.9
    tmp = np.sum(x * w) + b
    if tmp <= 0:
        return 0
    elif tmp > 0:
        return 1


def OR(x1, x2):
    """或门"""
    x = np.array([x1, x2])
    w = np.array([1, 1])
    b = 0
    tmp = np.sum(x * w) + b
    if tmp <= 0:
        return 0
    elif tmp > 0:
        return 1

2. 异或门

普通的单层感知器（perceptron）有着一定的局限性，其只能表示由一条直线分割的空间，与门、或门、与非门。故单层感知器无法表示这样的非线性空间，需要使用多层感知器。

• 异或门真值表：

我们通过组合与门、或门、与非门实现异或。 是s1——将x1、x2输入与非门的输出结果；s2——将x1、x2输入或门的输出结果；y——s1与s2输入与门的输出结果



XOR.py

import perceptron as pe


def XOR(x1, x2):
    """异或门"""
    s1 = pe.NAND(x1, x2)
    s2 = pe.OR(x1, x2)
    y = pe.AND(s1, s2)
    return y

• 用感知器表示异或门：