DL之Perceptron：Perceptron感知器(多层感知机/多层神经网络/人工神经元)的简介、原理代码实现、案例应用(相关配图)之详细攻略
目录
Perceptron感知器(多层感知机/多层神经网络/人工神经元)的简介
1、感知机来解决简单的问题
2、感知机的局限性
3、多层感知机的简介
感知器的原理代码实现
(1)、基础案例
(2)、进阶案例
Perceptron感知器的案例应用
相关文章DL之AF：机器学习/深度学习中常用的激活函数(sigmoid、softmax等)简介、应用、计算图实现、代码实现详细攻略
Perceptron感知器(多层感知机/多层神经网络/人工神经元)的简介感知机是由美国学者FrankRosenblatt 在1957 年提出来的，被看作为神经网络（深度学习）的起源的算法。
- 三功能：加权，求和，激励
- 感知机的权重在训练过程中基于训练数据确定。
神经元会计算传送过来的信号的总和，只有当这个总和超过了某个界限值时，才会输出1。这也称为“神经元被激活” 。这里将这个界限值称为阈值，用符号θ 表示。
使用感知机可以表示与门、与非门、或门的逻辑电路。这里重要的一点是：与门、与非门、或门的感知机构造是一样的。实际上，3 个门电路只有参数的值（权重和阈值）不同。也就是说，相同构造的感知机，只需通过适当地调整参数的值，就可以像“变色龙演员”表演不同的角色一样，变身为与门、与非门、或门。
2、感知机的局限性 Perceptron Can not solve XOR problem。使用感知机可以实现与门、与非门、或门三种逻辑电路。但是无法解决异或门（XOR gate）。 XOR：仅当x1 或x2 中的一方为1 时，才会输出1；“异或”是拒绝其他的意思。 (1)、或门：灰色区域是感知机输出0 的区域。图中直线可以将这4 个点正确地分开。 异或门：○和△表示异或门的输出。图中无法找到一条直线分割○和△的空间。 1)、实际上，感知机的绝妙之处在于它可以“叠加层”。
(2)、通过组合与门、与非门、或门实现异或门
import numpy as np
import matplotlib.pyplot as plt
#输入数据
X = np.array ([ [1, 3, 3], [1, 4, 3], [1, 1, 1]])
#标签
Y = np.array ([1, 1, -1])
#权值初始化，1行3列，取值范围[-1,1]
W = (np.random.random (3) -0.5) *2
print (W)
#设置学习率、迭代次数、神经网络基础
lr = 0.11
n = 0
O = 0
def update():
global X,Y,W,lr,n
for _ in range(100):
update() #更新权值
#正样本
x1=[3,4]
y1=[3,3]
#负样本
x2=[1]
y2=[1]
#计算分界线的斜率以及截距
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') #正样本蓝色散点表示
plt.plot(x2,y2,'yo') #负样本蓝色散点表示
plt.show()DL之Perceptron：感知器(多层感知机/人工神经元)的原理之基于numpy定义2层感知机底层逻辑代码(与门AND/与非门NAND/或门OR是)解决XOR异或问题之详细攻略_一个处女座的程序猿的博客-CSDN博客
Perceptron感知器的案例应用DL之Perceptron：感知器(多层感知机/人工神经元)的原理之基于numpy定义2层感知机底层逻辑代码(与门AND/与非门NAND/或门OR是)解决XOR异或问题之详细攻略_一个处女座的程序猿的博客-CSDN博客
DL之Perceptron&AdalineGD：基于iris莺尾花数据集利用Perceptron感知机和AdalineGD算法实现二分类_一个处女座的程序猿的博客-CSDN博客
DL之perceptron：利用perceptron感知机对股票实现预测_一个处女座的程序猿的博客-CSDN博客
相关文章DL之Perceptron：感知机(Perceptron)的与或非案例(构建XOR)+构建神经网络进行分类
