深度学习(1) - 感知机

二分类的线性分类模型，输入为实例的特征向量，输出为实例的类别。
其实就是用数据不断拟合一个线性函数的算法
学习文章：https://www.zybuluo.com/hanbingtao/note/433855

参考代码：

from functools import reduce


class Perceptron(object):
    #  初始化 输入参数个数 激活函数 w 和b
    def __init__(self, input_num, activator):
        """
        初始化感知器，设置输入参数的个数和激活函数
        :param input_num:
        :param activator:
        """
        self.activator = activator
        # y = f(w1 * x1 + w2 * x2 + b) (w为斜率，b为截距）
        self.weights = [0.0 for _ in range(input_num)]
        # self.weights = [0.0,0.0]
        # 偏置
        self.bias = 0.0
    # 打印出 实例中的想要输出的数据

    def __str__(self):
        """
        打印学习到的权重，和偏执项
        :return:
        """
        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
        '''
        # map()是 Python 内置的高阶函数，它接收一个函数 f 和一个 list，
        # 并通过把函数 f 依次作用在 list 的每个元素上，得到一个新的 list 并返回
        wxb = reduce(lambda a, b: a + b,
                    list(map(lambda x_w: x_w[0] * x_w[1], zip(input_vec, self.weights)))
                    , 0.0) + self.bias

        #print("w*x+b: ", wxb)
        return self.activator(wxb)


    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 = 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:
            # 计算感知器在当前权重下的输出
            # print(input_vec, "->", label)
            output = self.predict(input_vec)
            # print(output)
            # 更新权重
            self._update_weights(input_vec, output, label, rate)

    def _update_weights(self, input_vec, output, label, rate):
        '''
        按照感知器规则更新权重
        '''
        # 把input_vec[x1,x2,x3,...]和weights[w1,w2,w3,...]打包在一起
        # 变成[(x1,w1),(x2,w2),(x3,w3),...]
        # 然后利用感知器规则更新权重
        delta = label - output
        # wi <- wi + (delta)wi
        # (delta)wi = rate * delta * x
        self.weights = list(map(
            lambda x_w: x_w[1] + rate * delta * x_w[0],
            zip(input_vec, self.weights)))
        # 更新bias
        self.bias += rate * delta
        # print(self.weights, self.bias)


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


def get_training_dataset():
    '''
    基于and真值表构建训练数据
    '''
    # 构建训练数据
    input_vecs = [[1, 1], [0, 0], [1, 0], [0, 1]]
    # 向量列表
    labels = [1, 0, 0, 0]
    # 实例的类别
    # [1,1] -> 1, [0,0] -> 0, [1,0] -> 0, [0,1] -> 0
    return input_vecs, labels


def train_and_perceptron():
    '''
    使用and真值表训练感知器
    '''
    # 创建感知器，输入参数个数为2（因为and是二元函数），激活函数为f
    p = Perceptron(2, f)
    input_vecs, labels = get_training_dataset()
    print(labels)
    # 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]))

输入输出结果：