单层感知器
题目:假设平面有三个点,(3,3),(4,3)两个点的标签为1,(1,1)这个点的标签为-1.构建神经网络来分类。
思路:我们要分类的数据是2维数据,所以只需要2个输入节点,我们可以把神经元的偏置也设置为一二节点,这样我们需要3个输入节点。
输入数据有3个(1,3,3),(1,4,3),(1,1,1)
数据对应的标签为(1,1,-1)
初始化权值
w1,w2,w3
取-1到1的随机数
学习率(learning rate)设置为0.11
激活函数为sign函数
import numpy as np
import matplotlib.pyplot as plt
#输入数据
X=np.array([[1,3,3],
[1,4,3],
[1,1,1]])
#标签
Y=np.array([1,1,-1])
#权值初始化,1行3列,取值范围-1到1
W=(np.random.random(3)-0.5)*2
print W
#学习率设置
lr=0.11
#计算迭代次数
n=0
#神经网络的输出
O=0
def update():
global X,Y,W,lr,n
n+=1
O=np.sign(np.dot(X,W.T))
W_C=lr*((Y-O.T).dot(X))/int(X.shape[0])
W=W+W_C
for _ in range(100):
update()#更新权值
print (W)#打印当前权值
print (n)#打印迭代次数
O=np.sign(np.dot(X,W,T))#计算当前输出
if(O==Y.T).all():#如果实际输出等于期望输出,模型收敛,循环结束
print "Finished"
print "epoch:",n
break
#正样本
x1=[3,4]
y1=[3,3]
#负样本
x2=[1]
y2=[1]
#计算分界线的斜率以及结局
k=-W[1]/W[2]
d=-W[0]/W[2]
print 'k=',k
print 'd=',d
xdata=np.linspace(0,5)
plt.figure(1)
plt.plot(xdata,xdata*k+d,'r')
plt.plot(x1,y1,'bo')
plt.plot(x2,y2,'yo')
plt.show()