深度学习：感知机

感知机是作为神经网络的起源的算法。

1、什么是感知机

感知机接受多个信号，输出一个信号。感知机的信号只有两种取值(1/0)。

2、单层感知机的简单实现

与门、与非门和或门都是具有相同构造的感知机，区别只在于权重参数的值。

#感知机实现
def AND(x1,x2):
    """与门"""
    w1,w2,theta = 0.5,0.5,0.7
    tmp = x1*w1 + x2*w2
    if tmp <= theta:
        return 0
    elif tmp > theta:
        return 1
 
print(AND(0,0))
print(AND(1,0))
print(AND(0,1))
print(AND(1,1))

输出：

0
0
0
1

def NAND(x1,x2):
    """与非门"""
    x = np.array([x1,x2])
    w = np.array([-0.5,-0.5])
    b = 0.7
    tmp = np.sum(w*x) + b
    if tmp <= 0:
        return 0
    else:
        return 1

def OR(x1,x2):
    """或门"""
    x = np.array([x1,x2])
    w = np.array([0.5,0.5])
    b = -0.2
    tmp = np.sum(w*x) + b
    if tmp <= 0:
        return 0
    else:
        return 1

单层感知机无法分离非线性空间

3、异或门的实现

叠加了很多层的感知机也称为多层感知机。

def XOR(x1,x2):
    """异或门"""
    s1 = NAND(x1,x2)
    s2 = OR(x1,x2)
    y = AND(s1,s2)
    return y
 
print(XOR(0,0))
print(XOR(1,0))
print(XOR(0,1))
print(XOR(1,1))

0
1
1
0

 通过叠加层（加深层），感知机能进行更加灵活的表示。