【新手必看】深度学习中的感知机

深度学习入门笔记（一）

感知机

1.1 与门、与非门、或门、异或门

1.1.1 与门的实现

def AND(x1, x2):
    w1, w2, theta = 0.5, 0.5, 0.7
    y = x1*w1 + x2*w2
    if y <= theta:
        return 0
    elif y > theta:
        return 1
            
AND(0, 0) #输出0
AND(0, 1) #输出0
AND(1, 0) #输出0
AND(1, 1) #输出1

import numpy as np

def AND(x1, x2):
    x = np.array([x1, x2])
    w = np.array([0.5, 0.5])
    b =  -0.7
    y = np.sum(x*w) + b
    if y <= 0:
        return 0
    else:
        return 1 

1.1.2 与非门的实现

与非门 = 与门取反

def NAND(x1, x2):
    w1, w2, theta = -0.5, -0.5, -0.7
    y = x1*w1 + x2*w2
    if y <= theta:
        return 0
    elif y > theta:
        return 1 
            
NAND(0, 0) #输出1
NAND(0, 1) #输出1
NAND(1, 0) #输出1
NAND(1, 1) #输出0

import numpy as np

def NAND(x1, x2):
    x = np.array(x1, x2)
    w = np.array(-0.5, -0.5)
    b = 0.7
    y = np.sum(x*w) + b
    if y <= 0:
        return 0
    else: 
        return 1

1.1.3 或门的实现

def OR(x1, x2):
    w1, w2, theta = 0.5, 0.5, 0.2
    y = x1*w1 + x2*w2
    if y <= theta:
        return 0
    elif y > theta:
        return 1
        
OR(0, 0) #输出0
OR(0, 1) #输出1
OR(1, 0) #输出1
OR(1, 1) #输出1

import numpy as np

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

1.1.3 异或门的实现

相同为1，不同为0

def XOR(x1, x2):
   s1 = NAND(x1, x2)
   s2 = OR(x1, x2)
   y = AND(s1, s2)
   return y

XOR(0, 0) #输出0
XOR(0, 1) #输出1
XOR(1, 0) #输出1
XOR(1, 1) #输出0