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: