1.1

機(jī)學(xué)習(xí)概覽歡迎進(jìn)入《數(shù)據(jù)科學(xué)與機(jī)器學(xué)習(xí)》課程學(xué)習(xí)第4單元機(jī)器學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)深度神經(jīng)網(wǎng)絡(luò)（DNN）

深度神經(jīng)網(wǎng)絡(luò)（DNN）多層感知器與反向傳播——教學(xué)案例教學(xué)案例——兩層感知器實(shí)現(xiàn)異或運(yùn)算【案例背景】單層感知器不能表達(dá)的問題被稱為線性不可分問題。?1969年，明斯基證明了“異或”問題是線性不可分問題。教學(xué)案例——兩層感知器實(shí)現(xiàn)異或運(yùn)算【案例描述】由于單層神經(jīng)網(wǎng)絡(luò)不能將異或的判定分為兩類。所以需要輸入層/隱藏層/輸出層。因此，需要使用兩層感知器來構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)異或運(yùn)算。教學(xué)案例——兩層感知器實(shí)現(xiàn)異或運(yùn)算【案例實(shí)施】任務(wù)1構(gòu)建MP神經(jīng)元。其操作步驟如下。（1） 構(gòu)建MP神經(jīng)元（2） 調(diào)用階躍函數(shù)defunion(w,x,b):"""M-P神經(jīng)元

:paramw:權(quán)重矩陣

:paramx:輸入矩陣

:paramb:閾值

:return:輸入

"""#輸入=w和x的向量積-閾值

returnstep_func(np.dot(w,x)-b)#返回階躍函數(shù)值教學(xué)案例——兩層感知器實(shí)現(xiàn)異或運(yùn)算【案例實(shí)施】任務(wù)2階躍函數(shù)設(shè)計(jì)其操作步驟如下。（1） 輸入x,x>0,輸出y為1（2） 輸入x,x<0,輸出y為0defstep_func(x):ifx>=0:return1else:return0教學(xué)案例——兩層感知器實(shí)現(xiàn)異或運(yùn)算【案例實(shí)施】任務(wù)3設(shè)定輸入向量的期待輸出值。其操作步驟如下。（1）實(shí)現(xiàn)方式：y=(a&-b)|(-a&b)（2）定義權(quán)值w1,w2,w3,并賦初值（3）輸入a,b（4）計(jì)算異或運(yùn)算defxor():#a&-bw1=np.array([1,-1])#-a&bw2=np.array([-1,1])#(a&-b)|(-a&b)w3=np.array([1,1])c1=union(w3,xx,0.5)

教學(xué)案例——兩層感知器實(shí)現(xiàn)異或運(yùn)算【案例實(shí)施】任務(wù)3設(shè)定輸入向量的期待輸出值。其操作步驟如下。（1）實(shí)現(xiàn)方式：y=(a&-b)|(-a&b)（2）定義權(quán)值w1,w2,w3,并賦初值（3）輸入a,b（4）計(jì)算異或運(yùn)算while1:a=int(input("x1=："))b=int(input("x2=："))#輸入

x=np.array([a,b])#隱藏層a1a1=union(w1,x,0.5)#隱藏層b1b1=union(w2,x,0.5)xx=np.array([a1,b1])c1=union(w3,xx,0.5)print("輸出是：",c1)教學(xué)案例——兩層感知器實(shí)現(xiàn)異或運(yùn)算【案例實(shí)施】任務(wù)4調(diào)用XOR函數(shù)其操作步驟如下。if__name__=="__main__":