深度学习基础01-2-利用感知器实现and功能
1、预先知识学习
1、and函数
2、Python zip函数
>>>a = [1,2,3]>>> b = [4,5,6]>>> c = [4,5,6,7,8]>>> zipped = zip(a,b) # 打包为元组的列表[(1, 4), (2, 5), (3, 6)]>>> zip(a,c) # 元素个数与最短的列表一致[(1, 4), (2, 5), (3, 6)]>>> zip(*zipped) # 与 zip 相反，*zipped 可理解为解压，返回二维矩阵式[(1, 2, 3), (4, 5, 6)]3、Python map
def add_one(n): return n 1 numbers = (1, 2, 3, 4, 5) #序列为元组result = map(add_one, numbers)print(tuple(result)) #Out：(2, 3, 4, 5, 6)二、代码
1、定义激活函数
即当最终计算结果<0时结果为0，其他情况结果为1
def f(x): ''' 定义激活函数f ''' return 1 if x > 0 else 02、确定训练集
即给定输入集合与预期输出集合
def 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] -> 0 labels = [1, 0, 0, 0] return input_vecs, labels3、训练感知器
给定相应的参数对感知器进行训练并返回
def 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f p = Perceptron(2, f) #生成对象，调用init函数对对对象相关参数进行初始化 # 训练，迭代10轮, 学习速率为0.1 input_vecs, labels = get_training_dataset() p.train(input_vecs, labels, 10, 0.1) #训练10次，每次的变化率为0.1 #返回训练好的感知器 return p4、main函数
调用训练函数，训练感知器，输出最终权值以及偏置项
if __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]))5、结果：
weights :[0.1, 0.2]
bias :-0.200000
1 and 1 = 1
0 and 0 = 0
1 and 0 = 0
0 and 1 = 0
4、整体代码：
1、Perception：
# Python TR# Time：2021/1/4 5:06 下午from functools import reduceclass 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0 self.weights = [0.0 for _ in range(input_num)] # 偏置项初始化为0 self.bias = 0.0 def __str__(self): ''' 打印学习到的权重、偏置项 ''' return 'weights\t:%s\nbias\t:%f\n' % (list(self.weights), self.bias) def multi(self,a,b): return a*b def add(self,a,b): return a b def predict(self, input_vec): ''' 输入向量，输出感知器的计算结果 ''' # 把input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]打包在一起 # 变成[(x1,w1),(x2,w2),(x3,w3),...] # 然后利用map函数计算[x1*w1, x2*w2, x3*w3] # 最后利用reduce求和 # print(list(map(lambda x_w:x_w[0]*x_w[1],zip(input_vec, self.weights)))) return self.activator( reduce(self.add, map(self.multi, input_vec, self.weights) , 0.0) 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 print(list(self.weights)) 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 ''' # 把input_vec[x1,x2,x3,...]和weights[w1,w2,w3,...]打包在一起 # 变成[(x1,w1),(x2,w2),(x3,w3),...] # 然后利用感知器规则更新权重 delta = label - output self.weights = list(map( lambda x_w: x_w[1] rate * delta * x_w[0], zip(input_vec, self.weights))) # 更新bias self.bias = rate * delta2、and_Perception:
# Python TR# Time：2021/1/4 5:06 下午from functools import reduceclass 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0 self.weights = [0.0 for _ in range(input_num)] # 偏置项初始化为0 self.bias = 0.0 def __str__(self): ''' 打印学习到的权重、偏置项 ''' return 'weights\t:%s\nbias\t:%f\n' % (list(self.weights), self.bias) def multi(self,a,b): return a*b def add(self,a,b): return a b def predict(self, input_vec): ''' 输入向量，输出感知器的计算结果 ''' # 把input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]打包在一起 # 变成[(x1,w1),(x2,w2),(x3,w3),...] # 然后利用map函数计算[x1*w1, x2*w2, x3*w3] # 最后利用reduce求和 # print(list(map(lambda x_w:x_w[0]*x_w[1],zip(input_vec, self.weights)))) return self.activator( reduce(self.add, map(self.multi, input_vec, self.weights) , 0.0) 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 print(list(self.weights)) 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 ''' # 把input_vec[x1,x2,x3,...]和weights[w1,w2,w3,...]打包在一起 # 变成[(x1,w1),(x2,w2),(x3,w3),...] # 然后利用感知器规则更新权重 delta = label - output self.weights = list(map( lambda x_w: x_w[1] rate * delta * x_w[0], zip(input_vec, self.weights))) # 更新bias self.bias = rate * delta 赞 (0)