這篇文章，我們介紹了什麼是單層感知器，這節課，我們來看看如果用代碼實現一個單層感知器
實驗問題：
假設平面座標系上有三個點（3,3），（4,3）這兩個座標點的標籤為 1 ，（1,1） 這個座標的標籤為-1 ，構建神經網絡來分類
思路：
二維數據，需要兩個數據點，將神經元偏置設置成另一個輸入點，一共需要三個輸入點
輸入數據：（1,3,3），（1,4,3），（1,1,1）
數據對應標籤為（1,1,-1）
初始化權值為w0,w1,w2 為 -1 到 1 的隨機數
學習率為0.11
激活函數：sign
最終我們確定下來的是w0,w1,w2
那麼分界線的表達式為： w0+w1*x1+w2*x2=0
因為x2為y軸上的值，那麼最終的表達式為：
y=（-w1/w2）*x - -w0/w2
權向量和輸入歸納為矩陣表達：
權值調整：
lr*(Y-O.T).dot(X)/int(X.shape[0])
(Y-O.T)：是實際輸出與期望輸出的誤差
這樣我們就可以去套用權值校驗公式了
具體代碼為：
#單層感知器
import numpy as np
import matplotlib.pyplot as plt
#輸入數據
X = np.array([[1,3,3],
[1,4,3],
[1,1,1]])
#標籤
Y = np.array([1,1,-1])
#權值初始化一行三列，取值範圍-1到1
W = (np.random.random(3)-0.5)*2
print("W is :",W)
#學習率設置
lr = 0.11
#計算迭代次數
n = 0
#神經網絡輸出
O=0
def update():
global X,Y,W,lr,n,O
n += 1
O = np.sign(np.dot(X,W.T))
W_C = lr*(Y-O.T).dot(X)/int(X.shape[0]) #權值需要改變的值
W = W+W_C #修正權值
for _ in range(100):
update() #更新權值
print("W:",W) #打印權值
print("n",n) #打印迭代次數
O = np.sign(np.dot(X,W.T)) #計算當前輸出
if(O==Y.T).all(): #如果實際輸出等領域期望輸出，模型收斂，循環結束
print("Finished")
print("epoch:",n)
break
#整樣本
x1=[3,4]
y1=[3,3]
#負樣本
x2=[1]
y2=[1]
#計算分界線的斜率及截距
k=-W[1]/W[2]
d=-W[0]/W[2]
print("k:",k)
print("d:",d)
xdata = np.linspace(0,5)
plt.figure();
plt.plot(xdata,xdata*k+d,"r")
plt.plot(x1,y1,"bo")
plt.plot(x2,y2,"yo")
plt.show()
結果：
後臺日誌為：
原文鏈接：https://blog.csdn.net/qq_24708791/article/details/78370915
分享到:
閱讀更多 邵寒峰 的文章
