深度学习--实现线性单元--以根据一个人的工作年限来预测他的工作收入为例

在上一篇中，已经介绍了简单感知器的实现点此查看
感知器的模型和线性单元除了激活函数f不同之外，两者的模型和训练规则是一样的，这也说明在实现线性单元的代码中，可以复用实现简单感知器的代码
（注：线性单元的激活函数为：f(z)=z）
本次代码环境是python 3.7

from perceptron import Perceptron
#复用感知器模型的代码，因为感知器和线性单元除了激活函数不同之外，两者的模型和训练规则是一样的

#定义激活函数f
f = lambda x: x  #lambda就是一个函数，本段代码相当于
##def f(x):
    # return x

class LinearUnit(Perceptron):
    def __init__(self, input_num):
        '''初始化线性单元，设置输入参数的个数'''
        Perceptron.__init__(self, input_num, f)

def get_training_dataset():
    '''
    捏造5个人的收入数据
    '''
    # 构建训练数据
    # 输入向量列表，每一项是工作年限
    input_vecs = [[5], [3], [8], [1.4], [10.1]]
    # 期望的输出列表，月薪，注意要与输入一一对应
    labels = [5500, 2300, 7600, 1800, 11400]
    return input_vecs, labels

def train_linear_unit():
    '''
    使用数据训练线性单元
    '''
    # 创建感知器，输入参数的特征数为1（工作年限）
    lu = LinearUnit(1)
    # 训练，迭代10轮, 学习速率为0.01
    input_vecs, labels = get_training_dataset()
    lu.train(input_vecs, labels, 10, 0.01)
    #返回训练好的线性单元
    return lu

画拟合图

def plot(linear_unit):
    import matplotlib.pyplot as plt
    input_vecs, labels = get_training_dataset()
    fig = plt.figure()
    ax = fig.add_subplot(111)
    #ax.scatter(map(lambda x: x[0], input_vecs), labels)
    ax.scatter(list((map(lambda x: x[0], input_vecs))), labels)
    weights = linear_unit.weights
    bias = linear_unit.bias
    x = range(0,12,1)
    y = list((map(lambda x:weights[0] * x + bias, x)))
    ax.plot(x, y)
    plt.show()

注意这块！

ax.scatter(list((map(lambda x: x[0], input_vecs))), labels)

 y = list((map(lambda x:weights[0] * x + bias, x)))

因为map() 会根据提供的函数对指定序列做映射，在python3中返回迭代器，所以在这里加list,使其转化成列表类型，而元组类型为（a,b)，若list后仅加一个括号，则会出现以下报错：
list expected at most 1 arguments，got 2
此时解决办法：list后加两个括号即可
此处也是我与借鉴博客不同的地方，因为原博客代码环境为python2

if __name__ == '__main__':
    '''训练线性单元'''
    linear_unit = train_linear_unit()
    # 打印训练获得的权重
    print (linear_unit)
    # 测试
    print ('Work 3.4 years, monthly salary = %.2f' % linear_unit.predict([3.4]))
    print ('Work 15 years, monthly salary = %.2f' % linear_unit.predict([15]))
    print ('Work 1.5 years, monthly salary = %.2f' % linear_unit.predict([1.5]))
    print ('Work 6.3 years, monthly salary = %.2f' % linear_unit.predict([6.3]))
    plot(linear_unit)

最后展示一下运行结果~

拟合的直线如图所示：