感知器python代码

感知器属于机器学习的入门算法了，具体的理论知识不细讲了。只说下里面涉及到的核心知识：

权重更新公式：w=wi+▲wi b=b+▲b其中▲wi=n(t-y)x b=n(t-y)

n是学习效率，t是label即真实的输出，y是感知器的输出值。我现阶段认为机器学习最重要的是建立模型对模型进行训练。我们建立模型。代码如下：

def train(self, input_vecs, labels, iteration, rate):"""输入训练数据：一组向量、与每个向量对应的label；以及训练轮数、学习率"""for i in range(iteration):self._one_iteration(input_vecs, labels, rate)def _one_iteration(self, input_vecs, labels, rate):"""一次迭代，把所有的训练数据过一遍"""# 把输入和输出打包在一起，成为样本的列表[(input_vec, label), ...]# 而每个训练样本是(input_vec, label)samples = zip(input_vecs, labels)# 对每个样本，按照感知器规则更新权重for (input_vec, label) in samples:# 计算感知器在当前权重下的输出output = self.predict(input_vec)# 更新权重self._update_weights(input_vec, output, label, rate)def _update_weights(self, input_vec, output, label, rate):"""按照感知器规则更新权重"""# 首先计算本次更新的delta# 然后把input_vec[x1,x2,x3,...]向量中的每个值乘上delta，得到每个权重更新# 最后再把权重更新按元素加到原先的weights[w1,w2,w3,...]上delta = label - outputself.weights = VectorOp.element_add(self.weights, VectorOp.scala_multiply(input_vec, rate * delta))# 更新biasself.bias += rate * delta

模型建立好并训练好之后就可以使用该模型对数据进行预测了。该段代码实现的功能是真值表的与运算。整段代码如下（python3）：

#!/usr/bin/env python
# -*- coding: UTF-8 -*-from __future__ import print_function
from functools import reduceclass VectorOp(object):"""实现向量计算操作"""@staticmethoddef dot(x, y):"""计算两个向量x和y的内积"""# 首先把x[x1,x2,x3...]和y[y1,y2,y3,...]按元素相乘# 变成[x1*y1, x2*y2, x3*y3]# 然后利用reduce求和return reduce(lambda a, b: a + b, VectorOp.element_multiply(x, y), 0.0)@staticmethoddef element_multiply(x, y):"""将两个向量x和y按元素相乘"""# 首先把x[x1,x2,x3...]和y[y1,y2,y3,...]打包在一起# 变成[(x1,y1),(x2,y2),(x3,y3),...]# 然后利用map函数计算[x1*y1, x2*y2, x3*y3]return list(map(lambda x_y: x_y[0] * x_y[1], zip(x, y)))@staticmethoddef element_add(x, y):"""将两个向量x和y按元素相加"""# 首先把x[x1,x2,x3...]和y[y1,y2,y3,...]打包在一起# 变成[(x1,y1),(x2,y2),(x3,y3),...]# 然后利用map函数计算[x1+y1, x2+y2, x3+y3]return list(map(lambda x_y: x_y[0] + x_y[1], zip(x, y)))@staticmethoddef scala_multiply(v, s):"""将向量v中的每个元素和标量s相乘"""return map(lambda e: e * s, v)class Perceptron(object):def __init__(self, input_num, activator):"""初始化感知器，设置输入参数的个数，以及激活函数。激活函数的类型为double -> double"""self.activator = activator# 权重向量初始化为0self.weights = [0.0] * input_num# 偏置项初始化为0self.bias = 0.0def __str__(self):"""打印学习到的权重、偏置项"""return 'weights\t:%s\nbias\t:%f\n' % (self.weights, self.bias)def predict(self, input_vec):"""输入向量，输出感知器的计算结果"""# 计算向量input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]的内积# 然后加上biasreturn self.activator(VectorOp.dot(input_vec, self.weights) + self.bias)def train(self, input_vecs, labels, iteration, rate):"""输入训练数据：一组向量、与每个向量对应的label；以及训练轮数、学习率"""for i in range(iteration):self._one_iteration(input_vecs, labels, rate)def _one_iteration(self, input_vecs, labels, rate):"""一次迭代，把所有的训练数据过一遍"""# 把输入和输出打包在一起，成为样本的列表[(input_vec, label), ...]# 而每个训练样本是(input_vec, label)samples = zip(input_vecs, labels)# 对每个样本，按照感知器规则更新权重for (input_vec, label) in samples:# 计算感知器在当前权重下的输出output = self.predict(input_vec)# 更新权重self._update_weights(input_vec, output, label, rate)def _update_weights(self, input_vec, output, label, rate):"""按照感知器规则更新权重"""# 首先计算本次更新的delta# 然后把input_vec[x1,x2,x3,...]向量中的每个值乘上delta，得到每个权重更新# 最后再把权重更新按元素加到原先的weights[w1,w2,w3,...]上delta = label - outputself.weights = VectorOp.element_add(self.weights, VectorOp.scala_multiply(input_vec, rate * delta))# 更新biasself.bias += rate * deltadef f(x):"""定义激活函数f"""return 1 if x > 0 else 0def get_training_dataset():"""基于and真值表构建训练数据"""# 构建训练数据# 输入向量列表input_vecs = [[1, 1], [0, 0], [1, 0], [0, 1]]# 期望的输出列表，注意要与输入一一对应# [1,1] -> 1, [0,0] -> 0, [1,0] -> 0, [0,1] -> 0labels = [1, 0, 0, 0]return input_vecs, labelsdef train_and_perceptron():"""使用and真值表训练感知器"""# 创建感知器，输入参数个数为2（因为and是二元函数），激活函数为fp = Perceptron(2, f)# 训练，迭代10轮, 学习速率为0.1input_vecs, labels = get_training_dataset()p.train(input_vecs, labels, 10, 0.1)# 返回训练好的感知器return pif __name__ == '__main__':# 训练and感知器and_perception = train_and_perceptron()# 打印训练获得的权重print(and_perception)# 测试print('1 and 1 = %d' % and_perception.predict([1, 1]))print('0 and 0 = %d' % and_perception.predict([0, 0]))print('1 and 0 = %d' % and_perception.predict([1, 0]))print('0 and 1 = %d' % and_perception.predict([0, 1]))

参考资料：https://www.zybuluo.com/hanbingtao/note/433855

感知器python代码相关推荐

OpenCV 多层感知器训练代码示例
代码参考:https://github.com/mbeyeler/opencv-machine-learning/blob/master/notebooks/09.04-Training-an-MLP ...
微信运动修改器python代码
#coding: utf-8#date: 2015年9月29日01:50:37#usage: edit steps and ledongli's uid(u need to download this ...
深度学习85—[深度学习] 感知器
感知器为了理解神经网络,我们应该先理解神经网络的组成单元--神经元.神经元也叫做感知器.感知器算法在上个世纪50-70年代很流行,也成功解决了很多问题.并且,感知器算法也是非常简单的. 感知器的定义 ...
零基础入门深度学习 | 第一章：感知器
北京 | 高性能计算之GPU CUDA课程11月24-26日3天密集学习快速带你晋级阅读全文> 无论即将到来的是大数据时代还是人工智能时代,亦或是传统行业使用人工智能在云上处理大数据的时代,作 ...
深度学习(2) - 感知器
深度学习是啥在人工智能领域,有一个方法叫机器学习.在机器学习这个方法里,有一类算法叫神经网络.神经网络如下图所示: 上图中每个圆圈都是一个神经元,每条线表示神经元之间的连接.我们可以看到,上面的神经 ...
（1）Deep Learning之感知器
What is deep learning? 在人工智能领域,有一个方法叫机器学习.在机器学习这个方法里,有一类算法叫神经网络.神经网络如下图所示: 上图中每个圆圈都是一个神经元,每条线表示神经元之间 ...
感知器算法（Perceptron）
目录引言感知器 Matlab代码效果展示 Python代码效果展示 C++代码效果展示引言本专栏第二个机器学习算法:感知器算法,全部代码通过Github下载,使用Matlab,Pytho ...
深度学习实战教程（一）：感知器
深度学习是什么上图中每个圆圈都是一个神经元,每条线表示神经元之间的连接.我们可以看到,上面的神经元被分成了多层,层与层之间的神经元有连接,而层内之间的神经元没有连接.最左边的层叫做输入层,这层负 ...
【深度学习】1：感知器原理，以及感知器解决异或问题
前言: 写完上一篇<KNN算法实现手写数字识别>到现在已经过去了十天,2018年伊始几天同学同事都是各种浪,自己坚持学习实在是痛苦啊! 不悲不气,闲话不多说了,开始自己神经网络的学习旅程吧 ...

感知器python代码

感知器python代码相关推荐

最新文章

热门文章