第一章.感知机

归途^ω^

已于 2023-02-02 14:09:29 修改

阅读量378

点赞数

分类专栏：深度学习入门—基于Python的理论与实现（[日]斋藤康毅）文章标签： python numpy 深度学习感知机

于 2023-02-02 13:50:22 首次发布

本文链接：https://blog.csdn.net/weixin_45116749/article/details/128835416

版权

深度学习入门—基于Python的理论与实现（[日]斋藤康毅）专栏收录该内容

15 篇文章 6 订阅

订阅专栏

该文介绍了感知机的基本概念，包括信号的传递规则和神经元的激活条件。通过Python代码展示了如何实现与门、与非门和或门，并解释了单层感知机的局限性，强调了多层感知机在处理非线性问题中的重要性，如利用与、非、或门组合实现异或门。

摘要由CSDN通过智能技术生成

第一章.感知机

1.感知机的简介

1).简介

感知机接收多个输入信号，输出一个信号。感知机的信号只有"流/不流"（1/0）两种取值[0:对应不传递信号，1:对应传递信号]

2).感知机图像描述的两种方式

①.第一种方式：

在这里插入图片描述

结论：
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，只有当这个总和超过了某个阈值(θ)时，才会输出1，这也被称为“神经元被激活”

②.第二种方式：

在这里插入图片描述

结论：
感知机会计算输入信号与权重的乘积再加上偏置就得到信号的总和，只有当这个信号总和大于0，才会输出1。

2.简单逻辑电路

1).与门(AND gate)

①.真值表：

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

②.基本功能：

与门仅在两个输入都为1时，输出值为1，其他时候输出值为0。

③.代码实现：

import numpy as np

#举例：(w0,w1,θ)=[0.5,0.5,0.7]

#第一种方式
def AND(x1, x2):
    w1, w2, theta = 0.5, 0.5, 0.7
    thresh = x1 * w1 + x2 * w2
    if thresh > theta:
        return 1
    else:
        return 0

#第二种方式
def AND(x1, x2):
    x = np.array([x1, x2])
    w = np.array([0.5, 0.5])
    b = -0.7
    thresh = np.sum(x * w) + b
    if thresh > 0:
        return 1
    else:
        return 0
        
print('x1=0,x2=0,y=', AND(0, 0))
print('x1=0,x2=1,y=', AND(0, 1))
print('x1=1,x2=0,y=', AND(1, 0))
print('x1=1,x2=1,y=', AND(1, 1))

④.结果展示：
在这里插入图片描述

2).与非门(NAND gate)

①.真值表：

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

②.基本功能：

只要把实现与门的参数值符号取反，就可以实现与非门。

③.代码实现：

import numpy as np

# 举例：(w0,w1,θ)=[-0.5,-0.5,-0.7]

#第一种方式
def NAND(x1, x2):
    w1, w2, theta = -0.5, -0.5, -0.7
    thresh = x1 * w1 + x2 * w2
    if thresh > theta:
        return 1
    else:
        return 0

#第二种方式
def NAND(x1, x2):
    x = np.array([x1, x2])
    w = np.array([-0.5, -0.5])
    b = 0.7
    thresh = np.sum(x * w) + b
    if thresh > 0:
        return 1
    else:
        return 0
        
print('x1=0,x2=0,y=', NAND(0, 0))
print('x1=0,x2=1,y=', NAND(0, 1))
print('x1=1,x2=0,y=', NAND(1, 0))
print('x1=1,x2=1,y=', NAND(1, 1))

④.结果展示：
在这里插入图片描述

3).或门(OR gate)

①.真值表：

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

②.基本功能：

两个输入信号中，只要有一个输入信号为1，输出就为1。

③.代码实现：

import numpy as np

# 举例：(w0,w1,θ)=[0.5,0.5,0.4]

# 第一种方式
def OR(x1, x2):
    w1, w2, theta = 0.5, 0.5, 0.4
    thresh = x1 * w1 + x2 * w2
    if thresh > theta:
        return 1
    else:
        return 0
        
# 第二种方式
def OR(x1, x2):
    x = np.array([x1, x2])
    w = np.array([0.5, 0.5])
    b = -0.4
    thresh = np.sum(x * w) + b
    if thresh > 0:
        return 1
    else:
        return 0

print('x1=0,x2=0,y=', OR(0, 0))
print('x1=0,x2=1,y=', OR(0, 1))
print('x1=1,x2=0,y=', OR(1, 0))
print('x1=1,x2=1,y=', OR(1, 1))

④.结果展示：
在这里插入图片描述

3.多层感知机

感知机的局限性：就在于它只能表示由一条直线分割的空间。
单层感知机只能表示线性空间，而多层感知机可以表示非线性空间

1).异或门 (XOR gate)

单层感知机无法表示异或门，但我们可以通过多层感知机(与门，与非门，或门组合使用)来实现异或门。

①.真值表：

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

②.基本功能：

若两个输入信号相同，则输出信号为0，若两个输入信号不同，则输出信号为1.

③.代码实现：

import numpy as np


def AND(x1, x2):
    x = np.array([x1, x2])
    w = np.array([0.5, 0.5])
    b = -0.7
    thresh = np.sum(x * w) + b
    if thresh > 0:
        return 1
    else:
        return 0


def NAND(x1, x2):
    x = np.array([x1, x2])
    w = np.array([-0.5, -0.5])
    b = 0.7
    thresh = np.sum(x * w) + b
    if thresh > 0:
        return 1
    else:
        return 0


def OR(x1, x2):
    x = np.array([x1, x2])
    w = np.array([0.5, 0.5])
    b = -0.4
    thresh = np.sum(x * w) + b
    if thresh > 0:
        return 1
    else:
        return 0


def XOR(x1, x2):
    value1 = NAND(x1, x2)
    value2 = OR(x1, x2)
    y = AND(value1, value2)
    return y


print('x1=0,x2=0,y=', XOR(0, 0))
print('x1=0,x2=1,y=', XOR(0, 1))
print('x1=1,x2=0,y=', XOR(1, 0))
print('x1=1,x2=1,y=', XOR(1, 1))