Python3 采用面向对象实现感知器

面向对象编程的思想：https://blog.csdn.net/Andrew_jdw/article/details/82151275

将实现感知器任务划分成以下几个部分：

1. 初始化感知器，包括权重和偏置项的初始化（设置激活函数以及输入参数的个数）
2. 根据输入计算结果
3. 根据计算的结果迭代更新权重和偏置项
4. 输出最终结果

注：可以将第三步进行分解，将更新独立出来，再每次迭代进行更新。

 

class Perceptron(object):
    def __init__(self, input_num, activator):
        '''
        初始化感知器，设置输入参数的个数，以及激活函数。
        激活函数的类型为double -> double
        ''' 
        self.activator = activator
        #初始化权重向量为0
        self.weights = [0.0 for i in range(input_num)]
        #偏置项设置初始化为0
        self.bias = 0.0
    
    def __str__(self):
        '''
        打印学习到的权重、偏置项（只要定义了该方法就会打印从这个方法中return的数据）
        '''
        return 'weights\t:%s\nbias\t:%f\n' % (self.weights, self.bias)
    
    def predict(self, input_vec):
        '''
        输入向量，输出感知器的计算结果
        '''
        #加载reduce函数
        from functools import reduce
        # 把input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]打包在一起
        # 变成[(x1,w1),(x2,w2),(x3,w3),...]     
        zip_result = list(zip(input_vec, self.weights))
        #计算[x1*w1, x2*w2, x3*w3]
        multiply = [x*w for x,w in zip_result]
        return self.activator(reduce(lambda x,y:x+y, multiply,self.bias))
    
    def train(self, input_vecs, labels, iteration, rate):
        '''
        输入训练数据：一组向量、与每个向量对应的label；以及训练轮数、学习率
        '''
        for i in range(iteration):
            self._one_iteration(input_vecs, labels, rate)
    
    def _one_iteration(self, input_vecs, labels, rate):
        '''
        一次迭代，把所有的训练数据过一遍
        '''
        #把输入和输出打包在一起，成为样本的列表[(input_vec, label), ...]
        #而每个训练样本是(input_vec, label)
        samples = list(zip(input_vecs, labels))
        #对每个样本，按照感知器规则更新权重
        for (input_vec, label) in samples:
            #计算出感知器在当前权重下的输出
            output = self.predict(input_vec)
            #更新权重
            self._update_weights(input_vec, output, label, rate)
            
    def _update_weights(self, input_vec, output, label, rate):
        '''
        根据感知器规则更新权重
        '''
        #误差
        delta = label - output
        # 把input_vec[x1,x2,x3,...]和weights[w1,w2,w3,...]打包在一起
        # 变成[(x1,w1),(x2,w2),(x3,w3),...]
        z = list(zip(input_vec, self.weights))
        # 然后利用感知器规则更新权重
        self.weights = [w + rate * delta * x for x,w in z]
        #更新bias
        self.bias += rate * delta
    

利用感知器实现and函数

def f(x):
    '''
    定义激活函数
    '''
    return 1 if x > 0 else 0

def get_training_dataset():
    '''
    基于and真值表构建训练数据
    '''
    input_vecs = [[1,1], [0,0], [1,0], [0,1]]
    # 期望的输出列表，注意要与输入一一对应
    # [1,1] -> 1, [0,0] -> 0, [1,0] -> 0, [0,1] -> 0
    labels = [1, 0, 0, 0]
    return input_vecs, labels 

def train_and_perceptron():
    p = Perceptron(2, f)
    input_vecs, labels = get_training_dataset()
    # 训练，迭代10轮, 学习速率为0.1
    p.train(input_vecs, labels, 10, 0.1)
    #返回训练好的感知器
    return p

if __name__ == '__main__': 
    # 训练and感知器
    and_perception = train_and_perceptron()
    # 打印训练获得的权重
    print(and_perception)
    # 测试
    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]))

输出结果为：

参考链接：https://www.zybuluo.com/hanbingtao/note/433855

该链接中的实现方式是在Python2.7实现的，在此基础上进行部分修改，从而在Python3上实现