我們知道，感知器是最簡單的神經網絡，只有一層。感知器是模擬生物神經元行為的機器。那麼這次帶給大家的教學就是如何用python來實現感知器，模型如下。
給定一個n維的輸入 ，其中w和b是參數，w為權重,每一個輸入對應一個權值，b為偏移項，需要從資料中訓練得到。
激活函數 感知器的激活函數可以有很多選擇，例如我們可以選擇下面這個階躍函數f來作為激活函數：
事實上感知器可以擬合任何線性函數，任何線性分類或線性迴歸的問題都可以用感知器來解決。但是感知器不能實現異或運算，當然所有的線性分類器都不可能實現異或操作。
所謂異或操作：
對於上圖，我們找不到一條直線可以將0,1類別分開。對於and操作，感知器可以實現，我們可以找到一條直線把其分成兩部分。 。
對於and操作：
感知器的訓練
首先將權重w和偏移b隨機初始化為很小的數，然後在訓練中不斷更新w和b的值。
1.將權重初始化為0 或很小的隨機數字
2.對於每個訓練樣本x(i) 執行下列步驟：
計算輸出值y^.
更新權重
其中
下面以感知器實現and操作，具體程式碼如下：
# -*- coding: utf-8 -*- # python 3.4 import numpy as np from random import choice from sklearn import cross_validation from sklearn.linear_model import LogisticRegression '''''
1.將權重初始化為0 或一個很小的隨機數
2.對於每個訓練樣本x(i) 執行下列步驟：
計算輸出值y^.
更新權重
''' def load_data(): input_data=[[1,1], [0,0], [1,0], [0,1]] labels=[1,0,0,0] return input_data,labels def train_pre(input_data,y,iteration,rate): #=========================== '''''
參數：
input_data:輸入資料
y：標籤清單
iteration：訓練輪數
rate:學習率
''' #============================ unit_step = lambda x: 0 if x < 0 else 1 w=np.random.rand(len(input_data[0]))#随机生成[0,1)之间,作为初始化w bias=0.0#偏置 for i in range(iteration): samples= zip(input_data,y) for (input_i,label) in samples:#对每一组样本 #计算f(w*xi+b),此时x有两个 result=input_i*w+bias result=float(sum(result)) y_pred=float(unit_step(result))#计算输出值 y^ w=w+rate*(label-y_pred)*np.array(input_i)#更新权重 bias=rate*(label-y_pred)#更新bias return w,bias def predict(input_i,w,b): unit_step = lambda x: 0 if x < 0 else 1#定义激活函数 result=result=result=input_i*w+b result=sum(result) y_pred=float(unit_step(result)) print(y_pred) if __name__=='__main__': input_data,y=load_data() w,b=train_pre(input_data,y,20,0.01) predict([1,1],w,b)
我相信看了這些案例你已經掌握了方法，更多精彩請關注php中文網其它相關文章！
相關讀取：
php如何實作堆疊資料結構以及括號匹配演算法的程式碼範例詳解
php中最簡單的字串匹配演算法，php匹配演算法_PHP教程
以上是如何用python來實現感知器的詳細內容。更多資訊請關注PHP中文網其他相關文章！
