感知機(jī)張杲峰，劉剛，周慶國(guó)人民郵電出版社2025神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)(微課)內(nèi)容概要感知機(jī)的定義delta規(guī)則學(xué)習(xí)實(shí)現(xiàn)“與”運(yùn)算鳶尾花分類神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)2感知機(jī)的定義

神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)3delta規(guī)則學(xué)習(xí)

神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)4實(shí)現(xiàn)“與”運(yùn)算神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)5importnumpyas

np

classPerceptron(object):#定義感知機(jī)

def__init__(self,input_size):

self.W=np.zeros(input_size)#權(quán)重初始化為0

self.b=0#偏置初始化為0

self.errors=[]#誤差

defactivation_fn(self,x):#定義激活函數(shù)

returnnp.where(x>=0.0,1,0)

defpredict(self,x):#定義預(yù)測(cè)z=np.dot(x,self.W)a=self.activation_fn(z+self.b)

returna

deftrain(self,X,y,eta=0.01,epochs=20):#定義訓(xùn)練

fortinrange(epochs):#epochs個(gè)輪回err=0

forxj,targetinzip(X,y):delta=eta*(target-self.predict(xj))

self.W+=delta*xj

self.b+=deltaerr+=int(delta!=0.0)

self.errors.append(err)

return

self

實(shí)現(xiàn)“與”運(yùn)算神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)6

X=np.array([[0,0],[0,1],[1,0],[1,1]])#邏輯運(yùn)算可能的輸入組合y=np.array([0,0,0,1])#對(duì)應(yīng)輸入組合的邏輯與計(jì)算值，標(biāo)簽

perceptron=Perceptron(input_size=2)#實(shí)例化感知機(jī)perceptron.train(X,y)#訓(xùn)練print('Weights:',perceptron.W,'Bias:',perceptron.b)

forxjinX:pre=perceptron.predict(xj)print(xj[0],'and',xj[1],'=',pre)#輸出當(dāng)輸入為xj時(shí)對(duì)應(yīng)的預(yù)測(cè)值鳶尾花分類問題描述選取鳶尾花數(shù)據(jù)集中的山鳶尾（setosa）和變色鳶尾（versicolor），多分類可以在二分類的基礎(chǔ)上進(jìn)行?；ǖ奶卣鬟x取花萼（sepal）長(zhǎng)度（特征0）和花瓣（petal）長(zhǎng)度（特征1）。神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)7特征0特征1特征2特征3標(biāo)簽012山鳶尾變色鳶尾弗吉尼亞鳶尾個(gè)體樣例與標(biāo)簽鳶尾花分類神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)8importpandasaspdimportmatplotlib.pyplotaspltfrommlxtend.plottingimportplot_decision_regions#利用Pandas庫處理數(shù)據(jù)df=pd.read_csv('/ml/machine-learning-databases/iris/iris.data',header=None)

#山鳶尾和變色鳶尾y=df.iloc[0:100,4].valuesy=np.where(y=='Iris-setosa',0,1)

#花萼長(zhǎng)度和花瓣長(zhǎng)度X=df.iloc[0:100,[0,2]].values

#實(shí)例化感知機(jī)模型perceptron=Perceptron(input_size=2)

#繪制訓(xùn)練過程中錯(cuò)誤分類數(shù)的變化曲線plt.plot(range(1,len(perceptron.errors)+1),perceptron.errors,marker='o')plt.xlabel('訓(xùn)練輪回（Epochs）')plt.ylabel('錯(cuò)誤分類（Misclassifications）')plt.show()

#繪制分類器的決策邊界perceptron.train(X,y,eta=0.1,epochs=10)print('Weights:%s'%perceptron.W)plot_decision_regions(X,y,clf=perceptron)plt.title('Perceptron')plt.xlabel('花萼（sepal）長(zhǎng)度[cm]')plt.ylabel('花瓣（petal）長(zhǎng)度