感知器

深度学习基础（1）：感知器

是什么

感知器
就是下面这个图里面的东西，其实是模仿了神经元的操作。x1,x2…xn是输入的信号，wi是这个信号所占的权重，在胞体内部求和之后作为自变量输入到激活函数里面去，输入进去会得到一个输出值。这就是他要干的事情

能干什么

感知器其实看名字就知道了，是感知信号用的，最简单的一个例子就是可以做一个二分类操作。做一个简单的实验就是把激活函数的输出定义为一个只有0，1的输出，这样可以简单的表示一下二分类。其实所有的线性可分的二分类操作，都能用感知器解决。

基本原理

其实还是一种信息反馈机制，说白了就是对着答案瞎猜，看看啥时候猜的比较准，猜对了就把猜对的方法记下来，下次还这样猜，猜不对就换一种方式猜。所以机器学习很高大上吗？只不过利用了它强大的计算能力，或者说机器比人猜的快
（1）首先是初始化问题，这个简单，开始全是0
（2）W，b的更新：这个更新其实可以随便，只不过有的更新很快就能够收敛了，一般采用：

增量计算完了之后：

加上去就行了。所以没啥技术含量。ita是学习率。
至于为啥这样更新？这个emmm，把损失函数算一下，对每个量求个导，沿着梯度下降是最快的。

实际操作

嗯，来个最基本的感知器实现and 和or操作。

class Perceptron(object):
   def __init__(self, input_num, activator):

       self.activator = activator
       # 权重向量初始化为0
       self.weights = [0.0 for _ in range(input_num)]
       # 偏置项初始化为0
       self.bias = 0.0
   def __str__(self):
       '''
       打印学习到的权重、偏置项
       '''
       return 'weights\t:%s\nbias\t:%f\n' % (self.weights, self.bias)

   def predict(self, input_vec):
       ans=0
       for i in range(len(input_vec)):
           ans=ans+self.weights[i]*input_vec[i]
       ans=ans+self.bias
       return self.activator(ans)
   def train(self, input_vecs, labels, iteration, rate):
       '''
       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
       '''
       for i in range(iteration):
           self._one_iteration(input_vecs, labels, rate)

   def _one_iteration(self, input_vecs, labels, rate):
       '''
       一次迭代，把所有的训练数据过一遍
       '''
       # 而每个训练样本是(input_vec, label)
       samples = zip(input_vecs, labels)
       # 对每个样本，按照感知器规则更新权重
       for (input_vec, label) in samples:
           # 计算感知器在当前权重下的输出
           output = self.predict(input_vec)
           # 更新权重
           self._update_weights(input_vec, output, label, rate)

   def _update_weights(self, input_vec, output, label, rate):
       '''
       按照感知器规则更新权重
       '''
       # 把input_vec[x1,x2,x3,...]和weights[w1,w2,w3,...]打包在一起
       # 变成[(x1,w1),(x2,w2),(x3,w3),...]
       # 然后利用感知器规则更新权重
       delta = label - output
       for i in range(len(self.weights)):
           self.weights[i]=self.weights[i]+rate*(delta)*input_vec[i]
       # 更新bias
       self.bias += rate * delta

def f(x):
   return 1 if x > 0 else 0
def get_training_dataset():
   '''
   基于and真值表构建训练数据
   '''
   # 构建训练数据
   # 输入向量列表
   input_vecs = [[1, 1], [0, 0], [1, 0], [0, 1]]
   # 期望的输出列表，注意要与输入一一对应
   # [1,1] -> 1, [0,0] -> 0, [1,0] -> 0, [0,1] -> 0
   labels = [1, 0, 0, 0]
   return input_vecs, labels


def train_and_perceptron():
   '''
   使用and真值表训练感知器
   '''
   # 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
   p = Perceptron(2, f)
   # 训练，迭代10轮, 学习速率为0.1
   input_vecs, labels = get_training_dataset()
   p.train(input_vecs, labels, 10, 0.1)
   # 返回训练好的感知器
   return p


if __name__ == '__main__':
   # 训练and感知器
   and_perception = train_and_perceptron()
   # 打印训练获得的权重
   print(and_perception)
   # 测试
   print('1 and 1 = %d' % and_perception.predict([1, 1]))
   print('0 and 0 = %d' % and_perception.predict([0, 0]))
   print('1 and 0 = %d' % and_perception.predict([1, 0]))
   print('0 and 1 = %d' % and_perception.predict([0, 1]))

总结

上述思路参考了一位大佬的博客：​​大佬​​​。有兴趣的可以去看看详细的说明，只不过他的代码使用Python 2.7写的，我把一些地方重写了一下，改成了Python 3.X
感知器还是有点用处的。