基礎知識不再重述，可參考
# -*- coding: utf-8 -*-
# 這裡定義乙個感知器的類
class
perceptron
(object):
def__init__
(self, input_num, activator):
''' 初始化感知器，設定輸入引數的個數，以及啟用函式。
啟用函式的型別為double -> double
'''self.activator = activator
# 權重向量初始化為0.0
self.weights = [0.0
for _ in range(input_num)]
# 偏置項初始化為0.0
self.bias = 0.0
def__str__
(self):
# __str__:類例項字串化函式
''' 列印學習到的權重、偏置項
'''return
'weights\t:%s\nbias\t:%f\n' % (self.weights, self.bias)
defpredict
(self, input_vec):
''' 輸入向量，輸出感知器的計算結果
'''# 把input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]打包在一起
# 變成[(x1,w1),(x2,w2),(x3,w3),...]
# 然後利用map函式計算[x1*w1, x2*w2, x3*w3]
# 最後利用reduce求和:reduce()還可以接收第3個可選引數，作為計算的初始值
xi_wi=map(lambda (x, w): x * w,zip(input_vec, self.weights))
# 啟用函式的輸入為w_1*x_1+w_2*x_2+bias
return self.activator(reduce(lambda a, b: a + b,xi_wi , 0.0) + self.bias)
deftrain
(self, input_vecs, labels, iteration, rate):
''' 輸入訓練資料：一組向量、與每個向量對應的label；以及訓練輪數、學習率
'''# 每次迭代都把所有的樣本輸入
for i in range(iteration):
self._one_iteration(input_vecs, labels, rate)
def_one_iteration
(self, input_vecs, labels, rate):
''' 一次迭代，把所有的訓練資料過一遍
'''# 把輸入和輸出打包在一起，成為樣本的列表[(input_vec, label), ...]
# 而每個訓練樣本是(input_vec, label)
samples = zip(input_vecs, labels)
# 對每個樣本，按照感知器規則更新權重
for (input_vec, label) in samples:
# 計算感知器在當前權重下的輸出
output = self.predict(input_vec)
# 更新權重
self._update_weights(input_vec, output, label, rate)
def_update_weights
(self, input_vec, output, label, rate):
''' 按照感知器規則更新權重
'''# 把input_vec[x1,x2,x3,...]和weights[w1,w2,w3,...]打包在一起
# 變成[(x1,w1),(x2,w2),(x3,w3),...]
# 然後利用感知器規則更新權重
delta = label - output
self.weights = map(lambda (x, w): w + rate * delta * x,
zip(input_vec, self.weights))
# 更新bias
self.bias += rate * delta
deff
(x):
''' 定義啟用函式f：階躍函式
'''return
1if x > 0
else
0def
get_training_dataset
():'''
基於and真值表構建訓練資料
'''# 構建訓練資料
# 輸入向量列表
input_vecs = [[1,1], [0,0], [1,0], [0,1]]
# 期望的輸出列表，注意要與輸入一一對應
# [1,1] -> 1, [0,0] -> 0, [1,0] -> 0, [0,1] -> 0
labels = [1, 0, 0, 0]
return input_vecs, labels
deftrain_and_perceptron
():'''
使用and真值表訓練感知器
'''# 建立感知器，輸入引數個數為2（因為and是二元函式），啟用函式為f
p = perceptron(2, f)
# 獲得標準的訓練資料
input_vecs, labels = get_training_dataset()
# 訓練，迭代10輪, 學習速率為0.1
p.train(input_vecs, labels, 10, 0.1)
#返回訓練好的感知器
return p
if __name__ == '__main__':
# 訓練and感知器
and_perception = train_and_perceptron()
# 列印訓練獲得的權重
print and_perception
# 測試
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])
weights :[0.1, 0.2]
bias :-
0.200000
1and
1 = 1
0and
0 = 0
1and
0 = 0
0and
1 = 0
通過這段簡單的**可以看出利用物件來實現演算法的乙個流程，自己在這方面還是相對薄弱，有待以後的學習和加強。
python原生實現感知器
具體理論詳盡分析請轉到我另一篇部落格 零基礎入門深度學習 6 原生實現長短時記憶網路 lstm python原生實現乙個感知器 實現and運算 將輸入標籤替換成or真值表對應結果，def gettraindataset and 真值表 inputs 0,0 0,1 1,0 1,1 and label...
感知器的scala實現
其實感知器學習演算法，就是利用第一節介紹的單層感知器。首先利用給的正確資料，計算得到輸出值，將輸出值和正確的值相比，由此來調整每乙個輸出端上的權值。公式便是用來調整權值，首先 是乙個 學習引數 一般我將它設定成小於1的正數。t便是訓練資料中的正確結果，便是第i個輸入端的輸入值，便是第i個輸入端上面的...
感知器的scala實現
其實感知器學習演算法，就是利用第一節介紹的單層感知器。首先利用給的正確資料，計算得到輸出值，將輸出值和正確的值相比，由此來調整每乙個輸出端上的權值。公式便是用來調整權值，首先 是乙個 學習引數 一般我將它設定成小於1的正數。t便是訓練資料中的正確結果，便是第i個輸入端的輸入值，便是第i個輸入端上面的...