深度学习之(神经网络)单层感知器（python）（一）

李小白是一只喵

发布于 2020-04-24 12:59:09

1.5K0

发布于 2020-04-24 12:59:09

感知器介绍

感知器（Perceptron），是神经网络中的一个概念，在1950s由Frank Rosenblatt第一次引入。单层感知器（Single Layer Perceptron）是最简单的神经网络。它包含输入层和输出层，而输入层和输出层是直接相连的。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。

单层感知器由一个线性组合器和一个二值阈值元件组成。

image.png

输入向量为x，权重向量为w，w0为偏执。

简单的理解可以解释为：将x0,x1······xn的变量输入，经过组合器的整合，输出1或者-1，也就是通过组合器对输入变量判断其正确与否。

而这个判断的依据就是权重w0,w1······wn。

因为线性组合器是实现加法的方式，根据向量的运算法则，所以以上公式的输入值可以理解为： w0+x1w1+······+xnwn

image.png

单个数据的输入判断就是这样，下面我们将它扩展到多个数据，如下图所示：

image.png

在整个的感知器算法中，是有明确的数学公式，通过线性组合器的组装进行分类判断：

image.png

这就是详细的组合器算法。其中偏振因子b，一般会用w0表示，这时会加入一个偏振输入变量x0,不过x0恒等于1,也就是以上所描述的公式。

下面整体的介绍一下单层感知器算法模型：

image.png

感知器算法模型

神经元期望的输出值已知; 根据实际的输入值向量X，和初始的权值向量W(已知)，经过线性感知器求得实际的输出值（一般为值是1或者-1的向量）。使用神经元期望的输出值减去实机的输出值，求得差值，再和设定的学习率相乘后，再和输入向量相乘，求得权值变化的向量。（也就是得到对输入向量的调整后的向量）将权值向量W和得到的变化向量相加，重复以上动作，直到期望输出和实际输出相等。

因为期望输出的值为（1或者-1）即：w0+w1x1+······+wnxn>0或w0+w1x1+······+wnxn<0 所以它们的分界线为： w0+w1x1+······+wnxn=0

二维时为： w0+w1x1+w2x2=0

w2x2=-w1x1-w0 x2=-(w1/w2)x1-w0/w2

x2=kx1+b

image.png

代码：

# -*- coding: UTF-8 -*-

# numpy 支持高级大量的维度数组与矩阵运算
import numpy  as np
# Matplotlib 是一个 Python 的 2D绘图库
import matplotlib  as mpl
import matplotlib.pyplot as plt


#定义坐标,设定6组输入数据，每组为（x0,x1,x2）
X=np.array([[1,4,3],
            [1,5,4],
            [1,4,5],
            [1,1,1],
            [1,2,1],
            [1,3,2]]);

#设定输入向量的期待输出值
Y=np.array([1,1,1,-1,-1,-1]);

#设定权值向量(w0,w1,w2),权值范围为-1,1
W = (np.random.random(3)-0.5)*2; 

#设定学习率
lr = 0.3;
#计算迭代次数
n=0;
#神经网络输出
O=0;


def  update():
    global  X,Y,W,lr,n;
    n=n+1;
    O=np.sign(np.dot(X,W.T));
    #计算权值差
    W_Tmp = lr*((Y-O.T).dot(X));
    W = W+W_Tmp;


if __name__ == '__main__':
    for index in range (100):
        update()

        O=np.sign(np.dot(X,W.T))
        print(O)
        print(Y)
        if(O == Y).all():
            print('Finished')
            print('epoch:',n)
            break
x1=[3,4]
y1=[3,3]
x2=[1]
y2=[1]

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()

运行结果：

[-1. -1. -1. -1. -1. -1.]
[ 1  1  1 -1 -1 -1]
[1. 1. 1. 1. 1. 1.]
[ 1  1  1 -1 -1 -1]
[1. 1. 1. 1. 1. 1.]
[ 1  1  1 -1 -1 -1]
[-1. -1.  1. -1. -1. -1.]
[ 1  1  1 -1 -1 -1]
[1. 1. 1. 1. 1. 1.]
[ 1  1  1 -1 -1 -1]
[1. 1. 1. 1. 1. 1.]
[ 1  1  1 -1 -1 -1]
[-1. -1. -1. -1. -1. -1.]
[ 1  1  1 -1 -1 -1]
[1. 1. 1. 1. 1. 1.]
[ 1  1  1 -1 -1 -1]
[1. 1. 1. 1. 1. 1.]
[ 1  1  1 -1 -1 -1]
[-1. -1.  1. -1. -1. -1.]
[ 1  1  1 -1 -1 -1]
[1. 1. 1. 1. 1. 1.]
[ 1  1  1 -1 -1 -1]
[ 1.  1.  1. -1. -1.  1.]
[ 1  1  1 -1 -1 -1]
[-1. -1.  1. -1. -1. -1.]
[ 1  1  1 -1 -1 -1]
[1. 1. 1. 1. 1. 1.]
[ 1  1  1 -1 -1 -1]
[ 1.  1.  1. -1. -1.  1.]
[ 1  1  1 -1 -1 -1]
[-1. -1.  1. -1. -1. -1.]
[ 1  1  1 -1 -1 -1]
[1. 1. 1. 1. 1. 1.]
[ 1  1  1 -1 -1 -1]
[ 1.  1.  1. -1. -1.  1.]
[ 1  1  1 -1 -1 -1]
[-1. -1.  1. -1. -1. -1.]
[ 1  1  1 -1 -1 -1]
[1. 1. 1. 1. 1. 1.]
[ 1  1  1 -1 -1 -1]
[ 1.  1.  1. -1. -1.  1.]
[ 1  1  1 -1 -1 -1]
[-1. -1.  1. -1. -1. -1.]
[ 1  1  1 -1 -1 -1]
[1. 1. 1. 1. 1. 1.]
[ 1  1  1 -1 -1 -1]
[ 1.  1.  1. -1. -1.  1.]
[ 1  1  1 -1 -1 -1]
[-1.  1.  1. -1. -1. -1.]
[ 1  1  1 -1 -1 -1]
[ 1.  1.  1. -1. -1.  1.]
[ 1  1  1 -1 -1 -1]
[ 1.  1.  1. -1. -1. -1.]
[ 1  1  1 -1 -1 -1]
Find W.
go to N:27