python原生實現感知器

具體理論詳盡分析請轉到我另一篇部落格：零基礎入門深度學習(6) - 原生實現長短時記憶網路(lstm)

python原生實現乙個感知器（實現and運算），將輸入標籤替換成or真值表對應結果，

def gettraindataset():
#and 真值表
inputs = [[0,0],[0,1],[1,0],[1,1]];
#and
labels = [0,0,0,1];
#or# labels = [0,1,1,1];
return inputs,labels;

則該感知器變為實現or運算。

具體**如下：

# coding:utf-8
class perception(object):
def __init__(self,input_num,activator):
self.weights = [0.0 for _ in range(input_num)];
self.activator = activator;
self.bias = 0.0;
def train(self, inputs, labels,n, learning_rate):
#訓練樣本,不斷使**值與標籤值相接近並得到此時的每個樣本輸入引數對應的權重(此處self.weights為乙個權重向量)和偏置項
for i in range(n):
self.iteration(inputs,labels,learning_rate)
def iteration(self,inputs,labels,learning_rate):
#inputs是樣本集合，而input是單單乙個樣本（向量），predict（）只能**樣本對應的標籤結果，有兩個輸入值
# temp = map(lambda x:learning_rate*x,map(lambda x, y:x - y,labels,y));
# self.weights = map(lambda x, y:x+y,self.weights,map(lambda x, y:x*y,temp,inputs));
samples = zip(inputs,labels);
#每處理乙個樣本就更新一次權重和偏置項，權重的個數與樣本的緯度有關，也就是樣本的引數，and有兩個輸入引數
#所以權重有兩個，根據更新規則，權重為乙個向量，偏置項為乙個數，這兩項同時處理
for (input,label) in samples:
y = self.predict(input);
temp = learning_rate * (label - y);
self.update(input,temp);
# def predict(self, input):
return self.activator(
reduce(
lambda x, y:x+y,map(lambda (x, y):x*y,zip(self.weights,input)),0.0
)+ self.bias
)def update(self, input,temp):
# 更新權重 w =w + rate*(labels-y)*xi,xi為樣本輸入引數,w為權重向量
# 偏移量b = b + rate*(labels-y)
#temp=rate*(labels-y)
self.weights = map(lambda x, y:x+y,self.weights, map(lambda x:temp*x,input));
self.bias = self.bias + temp;
#重寫類的輸出樣式
def __str__(self):
return "weights:%s\nbias:%f " %(self.weights,self.bias);
def f(x):
if x > 0:
return 1
else:
return 0;
def gettraindataset():
#and 真值表
inputs = [[0,0],[0,1],[1,0],[1,1]];
#and
labels = [0,0,0,1];
#or# labels = [0,1,1,1];
return inputs,labels;
def and_perception():
'''利用and真值表訓練 and感知器
:return:
'''#輸入引數為2個，因為and為二元函式，啟用函式為f：階越函式
p = perception(2,f);
inputs,labels = gettraindataset();
#訓練,輸入資料集和標籤,迭代10次,學習速率(步長)設為0.1
p.train(inputs,labels,10,0.1);
return p;
if __name__ == '__main__':
# a = [1 for _ in range(2)]
# b = [2,3]
# print reduce(lambda x, y:x+y,map(lambda (x,y):x*y,zip(a,b)),0.0)
# print zip(a,b)
# for (c,d) in zip(a,b):
# print c," ",d
p = and_perception();
print p;
print "0 and 0 = ",p.predict([0,0]);
print "0 and 1 = ", p.predict([0, 1]);
print "1 and 0 = ", p.predict([1, 0]);
print "1 and 1 = ", p.predict([1, 1]);

**結果如下:和and真值表的一樣。

python 實現感知器（一）

基礎知識不再重述，可參考 coding utf 8 這裡定義乙個感知器的類 class perceptron object def init self,input num,activator 初始化感知器，設定輸入引數的個數，以及啟用函式。啟用函式的型別為double double self.act...

感知器的scala實現

其實感知器學習演算法，就是利用第一節介紹的單層感知器。首先利用給的正確資料，計算得到輸出值，將輸出值和正確的值相比，由此來調整每乙個輸出端上的權值。公式便是用來調整權值，首先是乙個學習引數一般我將它設定成小於1的正數。t便是訓練資料中的正確結果，便是第i個輸入端的輸入值，便是第i個輸入端上面的...

python原生實現感知器

python 實現感知器（一）

感知器的scala實現

感知器的scala實現

相關推薦