人工智能参考---感知器(神经元)相关代码
人工智能参考---感知器(神经元)相关代码
一、总结
一句话总结:
1、有训练过程,比如这里的训练10次,反复迭代
2、有学习速率,比如这里的0.1
# input_vecs = [[1, 1], [0, 0], [1, 0], [0, 1]] # labels = [1, 0, 0, 0]
1、参照感知器的代码启示?
把数学推导出来之后,代码就是对数学推导的实现,很简单的
2、为什么本感知器中的激活函数是 1 if x > 0 else 0 ?
因为本感知器是一个and感知器,做的也是01分类的问题,所以激活函数的返回值就是0或者1
二、感知器(神经元)相关代码
博客对应课程的视频位置:
1 from functools import reduce 2 3 4 class VectorOp(object): 5 """ 6 实现向量计算操作 7 """ 8 @staticmethod 9 def dot(x, y): 10 """ 11 计算两个向量x和y的内积 12 """ 13 # 首先把x[x1,x2,x3...]和y[y1,y2,y3,...]按元素相乘 14 # 变成[x1*y1, x2*y2, x3*y3] 15 # 然后利用reduce求和 16 return reduce(lambda a, b: a + b, VectorOp.element_multiply(x, y), 0.0) 17 18 @staticmethod 19 def element_multiply(x, y): 20 """ 21 将两个向量x和y按元素相乘 22 """ 23 # 首先把x[x1,x2,x3...]和y[y1,y2,y3,...]打包在一起 24 # 变成[(x1,y1),(x2,y2),(x3,y3),...] 25 # 然后利用map函数计算[x1*y1, x2*y2, x3*y3] 26 return list(map(lambda x_y: x_y[0] * x_y[1], zip(x, y))) 27 28 @staticmethod 29 def element_add(x, y): 30 """ 31 将两个向量x和y按元素相加 32 """ 33 # 首先把x[x1,x2,x3...]和y[y1,y2,y3,...]打包在一起 34 # 变成[(x1,y1),(x2,y2),(x3,y3),...] 35 # 然后利用map函数计算[x1+y1, x2+y2, x3+y3] 36 return list(map(lambda x_y: x_y[0] + x_y[1], zip(x, y))) 37 38 @staticmethod 39 def scala_multiply(v, s): 40 """ 41 将向量v中的每个元素和标量s相乘 42 """ 43 return map(lambda e: e * s, v) 44 45 # 感知器也是先训练在输出这一套 46 class Perceptron(object): 47 def __init__(self, input_num, activator): 48 """ 49 初始化感知器,设置输入参数的个数,以及激活函数。 50 激活函数的类型为double -> double 51 """ 52 self.activator = activator 53 # 权重向量初始化为0 54 # input_num是2 55 self.weights = [0.0] * input_num 56 # 偏置项初始化为0 57 self.bias = 0.0 58 59 def __str__(self): 60 """ 61 打印学习到的权重、偏置项 62 print输出的时候会自动调用__str__方法 63 """ 64 return 'weights\t:%s\nbias\t:%f\n' % (self.weights, self.bias) 65 66 def predict(self, input_vec): 67 """ 68 输入向量,输出感知器的计算结果 69 """ 70 # 计算向量input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]的内积 71 # 然后加上bias 72 # self.activator(VectorOp.dot([1, 1], self.weights) + self.bias) 73 dot_ans = VectorOp.dot(input_vec, self.weights) 74 predict_num = self.activator(dot_ans + self.bias) 75 return predict_num 76 77 # p.train([[1, 1], [0, 0], [1, 0], [0, 1]], [1, 0, 0, 0], 10, 0.1) 78 # 感知器也是先训练在输出这一套 79 def train(self, input_vecs, labels, iteration, rate): 80 """ 81 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 82 """ 83 for i in range(iteration): 84 # 每一轮循环 85 # self._one_iteration([[1, 1], [0, 0], [1, 0], [0, 1]], [1, 0, 0, 0], 0.1) 86 self._one_iteration(input_vecs, labels, rate) 87 88 # 每一轮循环 89 # self._one_iteration([[1, 1], [0, 0], [1, 0], [0, 1]], [1, 0, 0, 0], 0.1) 90 def _one_iteration(self, input_vecs, labels, rate): 91 """ 92 一次迭代,把所有的训练数据过一遍 93 """ 94 # 把输入和输出打包在一起,成为样本的列表[(input_vec, label), ...] 95 # 而每个训练样本是(input_vec, label) 96 # list(samples):[([1, 1], 1), ([0, 0], 0), ([1, 0], 0), ([0, 1], 0)] 97 samples = zip(input_vecs, labels) 98 # 对每个样本,按照感知器规则更新权重 99 for (input_vec, label) in samples: 100 # 计算感知器在当前权重下的输出 101 output = self.predict(input_vec) 102 # 更新权重 103 self._update_weights(input_vec, output, label, rate) 104 105 def _update_weights(self, input_vec, output, label, rate): 106 """ 107 按照感知器规则更新权重 108 """ 109 # 首先计算本次更新的delta 110 # 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 111 # 最后再把权重更新按元素加到原先的weights[w1,w2,w3,...]上 112 delta = label - output 113 scala_multiply_ans = VectorOp.scala_multiply(input_vec, rate * delta) 114 self.weights = VectorOp.element_add(self.weights, scala_multiply_ans) 115 # 更新bias 116 self.bias += rate * delta 117 118 119 def f(x): 120 """ 121 定义激活函数f 122 """ 123 return 1 if x > 0 else 0 124 125 126 def get_training_dataset(): 127 """ 128 基于and真值表构建训练数据 129 """ 130 # 构建训练数据 131 # 输入向量列表 132 input_vecs = [[1, 1], [0, 0], [1, 0], [0, 1]] 133 # 期望的输出列表,注意要与输入一一对应 134 # [1,1] -> 1, [0,0] -> 0, [1,0] -> 0, [0,1] -> 0 135 labels = [1, 0, 0, 0] 136 return input_vecs, labels 137 138 139 def train_and_perceptron(): 140 """ 141 使用and真值表训练感知器 142 """ 143 # 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 144 p = Perceptron(2, f) 145 # 训练,迭代10轮, 学习速率为0.1 146 input_vecs, labels = get_training_dataset() 147 # input_vecs = [[1, 1], [0, 0], [1, 0], [0, 1]] 148 # labels = [1, 0, 0, 0] 149 p.train(input_vecs, labels, 10, 0.1) 150 # 返回训练好的感知器 151 return p 152 153 154 if __name__ == '__main__': 155 # 训练and感知器 156 and_perception = train_and_perceptron() 157 # 打印训练获得的权重 158 print(and_perception) 159 # 测试 160 print('1 and 1 = %d' % and_perception.predict([1, 1])) 161 print('0 and 0 = %d' % and_perception.predict([0, 0])) 162 print('1 and 0 = %d' % and_perception.predict([1, 0])) 163 print('0 and 1 = %d' % and_perception.predict([0, 1]))