【深度学习入门】03感知机的简单介绍

# 感知机
import numpy as np


# 设置 >0时为1  <=0时为0 用b来当偏置
def NAND(x1, x2):
    # b为偏置 w为权重
    x = np.array([x1, x2])
    w = np.array([-0.5, -0.5])  # w1,w2
    b = 0.7
    tmp = np.sum(w * x) + b
    if tmp <= 0:
        return 0
    else:
        return 1


def OR(x1, x2):
    x = np.array([x1, x2])
    w = np.array([0.5, 0.5])
    b = -0.2
    tmp = np.sum(w * x) + b
    if tmp <= 0:
        return 0
    else:
        return 1


# x1, x2 = 0, 1
# print(NAND(x1, x2))


# 单层感知机无法表示异或门（分离非线性空间）
# 使用组合感知机（叠加层）来实现
def XOR(x1, x2):
    s1 = NAND(x1, x2)
    s2 = OR(x1, x2)
    return s1 and s2


print(XOR(0, 0))
print(XOR(1, 0))
print(XOR(0, 1))
print(XOR(1, 1))

【阈值】

【与门与与非门的联系】：取反

【偏置和权重】

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。

【组合感知机】

【2层感知机】

【和机组的联系】

在用与非门等低层的元件构建计算机的情况下，分阶段地制作所需的零件（模块）会比较自然，即先实现与门和或门，然后实现半加器和全加器，接着实现算数逻辑单元（ALU），然后实现CPU。