深度学习入门第一课—感知机（1）

一、基本概念

1、感知机接收多个输入信号，输出一个信号；

2、水流与电流向前流动，向前输送水与电子；

3、感知机的信号也会形成流，向前输送信息；

4、感知机的信号只有“流/不流”即“0/1”两种取值可能；

示例图：输入信号：X1、X2；权重：W1、W2；神经元：○

       当神经元接收到输入信号X1与X2时，会分别乘以各自权重W1与W2并求和，只有当总和超过某个限值时才会输出“1”，而界限值被称为“阈值Θ”，同时称这个“神经元被激活”。

公式：

注：①、权重越大，输出信号的输出值越大，该权重的重要性越高，该神经元越容易被激活。

       ②、权重可以比作电阻，当信号（电流）经过权重越大（电阻越小）时通过的信号越大

           （通过的电流越大）。

二、“与门”、“与非门”和“或门”

2.1、“与门”（AND gate）

2.1.1、基本概念

同时为真才为真；

思考：什么数值的W1、W2与Θ才能实现“与门”？

解：                                                         当 X1 = 0 , X2 = 0

W1X1 + W2X2 = 0  <  Θ

                                                                 当 X1 = 1 , X2 = 0

W1X1 + W2X2 = W1  <  Θ

                                                                 当 X1 = 0 , X2 = 1

W1X1 + W2X2 = W2  <  Θ

   当 X1 = 1 , X2 = 1

W1X1 + W2X2 = W1+W2  >  Θ

满足这样条件的权重与阈值有很多种，比如(W1, W2, Θ)=(0.5, 0.5, 0.8)

代码：（b = -Θ）

import numpy as np
def AND(x1, x2):
    x = np.array([x1, x2])
    w = np.array([0.5, 0.5])
    b = -0.8
    tmp = np.sum(w*x) + b
    if tmp <= 0:
        return 0
    else:
        return 1

2.1.2、偏置b

为了以后操作方便，把式中的θ换成−b，则表达式：

代码实现“与门”：

import numpy as np

def AND(x1, x2):
    x = np.array([x1, x2])
    w = np.array([0.5, 0.5])
    b = -0.8
    tmp = np.sum(w*x) + b
    if tmp <= 0:
        return 0
    else:
        return 1

if __name__ == '__main__':
    # 这段代码是Python中常见的用于判断当前脚本是否作为主程序运行的条件语句。
    # __name__ 是一个特殊的内置变量，它表示当前模块的名称。
    # 当一个Python脚本被直接运行时，__name__ 的值会被设置为'__main__'；
    # 而当一个脚本作为模块被导入时，__name__ 的值会被设置为模块的名称。
    # 这行代码的意思是：如果当前脚本作为主程序运行（而不是被导入为模块），则执行下面的代码块。
    for zz in [(0, 0), (1, 0), (0, 1), (1, 1)]:
        y = AND(zz[0], zz[1])
        print(str(zz) + " -> " + str(y))
        # str(zz)将变量zz的值转换为字符串；
        # " -> "是一个字符串，表示一个箭头符号

运行结果：

2.2、与非门（NAND gate）

有0则为输出1；

思考：什么数值的W1、W2与Θ才能实现“与非门”？

解：将与门代码取反即可

                                                                 当 X1 = 0 , X2 = 0

W1X1 + W2X2 = 0  >  Θ

                                                                 当 X1 = 1 , X2 = 0

W1X1 + W2X2 = W1  >  Θ

                                                                 当 X1 = 0 , X2 = 1

W1X1 + W2X2 = W2  >  Θ

   当 X1 = 1 , X2 = 1

W1X1 + W2X2 = W1+W2  <  Θ

满足这样条件的权重与阈值有很多种，比如(W1, W2,Θ)=(-0.5, -0.5, -0.8)

代码：（b = -Θ）

import numpy as np

def NAND(x1, x2):
    x = np.array([x1, x2])
    w = np.array([-0.5, -0.5])
    b = 0.8
    tmp = np.sum(w*x) + b
    if tmp <= 0:
        return 0
    else:
        return 1

2.2.2、偏置b

为了以后操作方便，把式中的θ换成−b，则表达式：

代码实现“与非门”：

import numpy as np

def NAND(x1, x2):
    x = np.array([x1, x2])
    w = np.array([-0.5, -0.5])
    b = 0.8
    tmp = np.sum(w*x) + b
    if tmp <= 0:
        return 0
    else:
        return 1

if __name__ == '__main__':
    for zz in [(0, 0), (1, 0), (0, 1), (1, 1)]:
        y = NAND(zz[0], zz[1])
        print(str(zz) + " -> " + str(y))

运行结果：

2.3、或门（OR gate）

2.3.1、基本概念

有1则输出为1；

思考：什么数值的W1、W2与Θ才能实现“或门”？

                                                                当 X1 = 0 , X2 = 0

W1X1 + W2X2 = 0  <  Θ

                                                                 当 X1 = 1 , X2 = 0

W1X1 + W2X2 = W1  >  Θ

                                                                 当 X1 = 0 , X2 = 1

W1X1 + W2X2 = W2  >  Θ

   当 X1 = 1 , X2 = 1

W1X1 + W2X2 = W1+W2  >  Θ

满足这样条件的权重与阈值有很多种，比如(W1, W2, Θ)=(0.5, 0.5, 0.4)

代码：（b = - Θ）

import numpy as np

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

2.3.2、偏置b

为了以后操作方便，把式中的θ换成−b，则表达式：

代码实现“或门”：

import numpy as np

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

if __name__ == '__main__':
    for zz in [(0, 0), (1, 0), (0, 1), (1, 1)]:
        y = OR(zz[0], zz[1])
        print(str(zz) + " -> " + str(y))

运行结果：