python代码实现单层感知器

题目：
平面坐标系上三个点，(3,3),(4,3)标签为1，(1,1)标签为-1，构建神经网络来分类。

思路：
我们要分类的数据是2维数据，所以只需要2个输入节点，我们可以把神经元的偏置值也设置成一个节点x0，这样需要3个输入节点。

  • 输入数据：(1,3,3),(1,4,3),(1,1,1)
  • 数据对应的标签为(1,1,-1)
  • 初始化权重w0,w1,w2取-1到1的随机数
  • 学习率learning rate设置为0.11
  • 激活函数为sign函数

代码

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

import matplotlib  as mpl
import numpy  as np
import matplotlib.pyplot as plt


#单层感知器的实现

X=np.array([[1,3,3],
            [1,4,3],
            [1,1,1]])


Y=np.array([1,1,-1])

W = (np.random.random(3)-0.5)*2  #w权值的取值范围为-1,1


lr = 0.1 #学习率
n=0 #计算迭代次数
O=0#神经网络输出


def  update():
    global  X,Y,W,lr,n
    n=n+1
    O=np.sign(np.dot(X,W.T))
    W_C = lr*((Y-O.T).dot(X))
    W = W+W_C


if __name__ == '__main__':
    for  _   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()

输出：
深度学习入门——单层感知器代码实践_数据