单层感知机

单层感知器属于单层前向网络,即除输入层和输出层之外,只拥有一层神经元节点。

特点:输入数据从输入层经过隐藏层向输出层逐层传播,相邻两层的神经元之间相互连接,同一层的神经元之间没有连接。

感知器(perception)是由美国学者F.Rosenblatt提出的。与最早提出的MP模型不同,神经元突触权值可变,因此可以通过一定规则进行学习。可以快速、可靠地解决线性可分的问题。

简介

单层感知器由一个线性组合器和一个二值阈值元件组成。输入向量的各个分量先与权值相乘,然后在线性组合器中进行叠加,得到一个标量结果,其输出是线性组合结果经过一个二值阈值函数。二值阈值元件通常是一个上升函数,典型功能是非负数映射为1,负数映射为0或负一。

函数表达

布尔函数

给定三个布尔输入变量x1,x2,x3,一个输出变量Y,三个输入变量中至少有两个是0时, 输出为-1;至少有两个大于0时,输出为1。

感知机示意图

图象

代码

# -*- coding: utf-8 -*-
"""
Created on Wed Oct  9 22:40:39 2019@author: C
"""import pandas as pd
import numpy as npdef node (inputs, weights, T):result = np.dot(inputs, weights)-Tresult_ = pd.DataFrame(result)[0].map(lambda x:0 if x<0 else 1)graph = pd.DataFrame(np.vstack((result, np.array(result_)))).Treturn graphinputs = np.random.uniform(-1, 1, (20,3))
weights = np.array([0.3, 0.3, 0.3]).T
T=0.4graph = node (inputs, weights, T).rename(columns={0:'input',1:'output'})
graph.plot()

写在最后:

Il n’ya qu’un héroïsme au monde : c’est de voir le monde tel qu’il est et de l’aimer." Romain Rolland.

单层感知机实现布尔函数,附代码相关推荐

  1. 多层感知机详细讲解(附代码)

    1.1 单层感知机原理 神经网络中,每一个神经元都具备多个权值参数 W 以及一个激活函数 f(X)和偏置 b , 输出值 Y 满足公式. Y = f(∑ W୧ ୧ ଵ ∗ X୧ + b) (1) 其中 ...

  2. 【ML】基于机器学习的心脏病预测研究(附代码和数据集,多层感知机模型)

    写在前面: 首先感谢兄弟们的订阅,让我有创作的动力,在创作过程我会尽最大努力,保证作品的质量,如果有问题,可以私信我,让我们携手共进,共创辉煌. 之前创作过心脏病预测研究文章如下: [ML]基于机器学 ...

  3. 【NLP傻瓜式教程】手把手带你HAN文本分类(附代码)

    继续之前的文本分类系列 [NLP傻瓜式教程]手把手带你CNN文本分类(附代码) [NLP傻瓜式教程]手把手带你RNN文本分类(附代码) [NLP傻瓜式教程]手把手带你fastText文本分类(附代码) ...

  4. TensorFlow单层感知机实现

    TensorFlow单层感知机实现 简单感知机是一个单层神经网络.它使用阈值激活函数,正如 Marvin Minsky 在论文中所证明的,只能解决线性可分的问题.虽然限制了单层感知机只能应用于线性可分 ...

  5. 独家 | 手把手教TensorFlow(附代码)

    上一期我们发布了"一文读懂TensorFlow(附代码.学习资料)",带领大家对TensorFlow进行了全面了解,并分享了入门所需的网站.图书.视频等资料,本期文章就来带你一步步 ...

  6. 【CTR模型】TensorFlow2.0 的 xDeepFM 实现与实战(附代码+数据)

    CTR 系列文章: 广告点击率(CTR)预测经典模型 GBDT + LR 理解与实践(附数据 + 代码) CTR经典模型串讲:FM / FFM / 双线性 FFM 相关推导与理解 CTR深度学习模型之 ...

  7. pytorch梯度下降函数_Pytorch学习笔记6:激活函数/单层感知机/梯度下降求最小值实例...

    #添加到学习笔记2末尾,直接运行.代码意义可以看注释. #需要import以下库 import torch import numpy as np from matplotlib import pypl ...

  8. 关系抽取:图卷积网络的学习(二)(附代码)

    关系抽取:图卷积网络的学习(二)(附代码) 目录 关系抽取:图卷积网络的学习(二)(附代码) 论文一:基于关系图的实体关系联合抽取 摘要 1.Introduction 2.Motivation 3.G ...

  9. 机器学习三人行(系列七)----支持向量机实践指南(附代码)

    原文链接:阅读原文 欢迎大家关注微信公众号"智能算法",我们一起学习,共同进步. 如需前面系列文章,请在公众号回复" 机器学习 "进行查看! 通过对系列六的学习 ...

最新文章

  1. 清华Thinker团队提出AI计算芯片存储优化新方法 | ISCA 2018中国唯一一作论文
  2. MFC第一课 控件使用技巧
  3. C# WebService发布与调用方法(转)
  4. reids 源码 zipmap.c 压缩map的实现
  5. 广州驾校考试实际道路考试注意事项(图)
  6. qml 鼠标点击_QML ListView在鼠标点击时不会响应
  7. 功能增强的进度条控件(源码)
  8. vfp语言属于第代计算机语言,计算机等级考试VFP教程:第二章VFP语言基础
  9. .net Remoting的工作原理
  10. 计算机游戏教学法PPT,幼儿园语言游戏教学法PPT课件
  11. html输入后面消失,excel输入减号为什么会消失
  12. 最全java面试题整理(持续更新)
  13. Qt的基本控件——列表控件
  14. 3.原子操作的实现原理
  15. 无代码四月资讯|元宇宙、AI与无代码的精彩碰撞...
  16. python期末大作业-图形化爬虫
  17. docker容器优雅停机
  18. 车道线检测识别 [园区道路线检测识别](开源github,欢迎stared)
  19. NLP知识包--语义分析智能问答工具
  20. 如何给插画上色?怎么上色才好看?

热门文章

  1. 2021 年度个税汇算清缴申报流程来了
  2. Flutter 侧滑栏UI及城市选择UI的实现
  3. DreamSpark
  4. Unity UGUI无限列表(Infinite List)
  5. Win7 快捷键(快人一等)
  6. jsp电影评论网站ssh框架
  7. Uboot中的DM驱动模型
  8. LeetCode错误总结
  9. [日语二级词汇]从字面上难以做出正确判断的名词 1
  10. Android APK 反编译的基本工具和步骤