单层感知器python_深度学习之(神经网络)单层感知器（python）（一）
感知器介绍感知器(Perceptron)，是神经网络中的一个概念，在1950s由Frank Rosenblatt第一次引入。
单层感知器(Single Layer Perceptron)是最简单的神经网络。它包含输入层和输出层，而输入层和输出层是直接相连的。
与最早提出的MP模型不同，神经元突触权值可变，因此可以通过一定规则进行学习。可以快速、可靠地解决线性可分的问题。
单层感知器由一个线性组合器和一个二值阈值元件组成。
image.png
输入向量为x，权重向量为w，w0为偏执。
简单的理解可以解释为：将x0,x1······xn的变量输入，经过组合器的整合，输出1或者-1，也就是通过组合器对输入变量判断其正确与否。
而这个判断的依据就是权重w0,w1······wn。
因为线性组合器是实现加法的方式，根据向量的运算法则，所以以上公式的输入值可以理解为：
w0+x1w1+······+xnwn
image.png
单个数据的输入判断就是这样，下面我们将它扩展到多个数据，如下图所示：
image.png
在整个的感知器算法中，是有明确的数学公式，通过线性组合器的组装进行分类判断：
image.png
这就是详细的组合器算法。其中偏振因子b，一般会用w0表示，这时会加入一个偏振输入变量x0,不过x0恒等于1,也就是以上所描述的公式。
下面整体的介绍一下单层感知器算法模型：
image.png
感知器算法模型神经元期望的输出值已知;
根据实际的输入值向量X，和初始的权值向量W(已知)，经过线性感知器求得实际的输出值(一般为值是1或者-1的向量)。
使用神经元期望的输出值减去实机的输出值，求得差值，再和设定的学习率相乘后，再和输入向量相乘，求得权值变化的向量。(也就是得到对输入向量的调整后的向量)
将权值向量W和得到的变化向量相加，重复以上动作，直到期望输出和实际输出相等。
因为期望输出的值为(1或者-1)
即：w0+w1x1+······+wnxn>0或w0+w1x1+······+wnxn<0
所以它们的分界线为：
w0+w1x1+······+wnxn=0
二维时为：
w0+w1x1+w2x2=0
w2x2=-w1x1-w0
x2=-(w1/w2)x1-w0/w2
x2=kx1+b
image.png
代码：# -*- coding: UTF-8 -*-
# numpy 支持高级大量的维度数组与矩阵运算
import numpy as np
# Matplotlib 是一个 Python 的 2D绘图库
import matplotlib as mpl
import matplotlib.pyplot as plt
#定义坐标,设定6组输入数据，每组为(x0,x1,x2)
X=np.array([[1,4,3],
[1,5,4],
[1,4,5],
[1,1,1],
[1,2,1],
[1,3,2]]);
#设定输入向量的期待输出值
Y=np.array([1,1,1,-1,-1,-1]);
#设定权值向量(w0,w1,w2),权值范围为-1,1
W = (np.random.random(3)-0.5)*2;
#设定学习率
lr = 0.3;
#计算迭代次数
n=0;
#神经网络输出
O=0;
def update():
global X,Y,W,lr,n;
n=n+1;
O=np.sign(np.dot(X,W.T));
#计算权值差
W_Tmp = lr*((Y-O.T).dot(X));
W = W+W_Tmp;
if __name__ == '__main__':
for index in range (100):
update()
O=np.sign(np.dot(X,W.T))
print(O)
print(Y)
if(O == Y).all():
print('Finished')
print('epoch:',n)
break
x1=[3,4]
y1=[3,3]
x2=[1]
y2=[1]
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')
plt.plot(x2,y2,'yo')
plt.show()
运行结果：[-1. -1. -1. -1. -1. -1.]
[ 1 1 1 -1 -1 -1]
[1. 1. 1. 1. 1. 1.]
[ 1 1 1 -1 -1 -1]
[1. 1. 1. 1. 1. 1.]
[ 1 1 1 -1 -1 -1]
[-1. -1. 1. -1. -1. -1.]
[ 1 1 1 -1 -1 -1]
[1. 1. 1. 1. 1. 1.]
[ 1 1 1 -1 -1 -1]
[1. 1. 1. 1. 1. 1.]
[ 1 1 1 -1 -1 -1]
[-1. -1. -1. -1. -1. -1.]
[ 1 1 1 -1 -1 -1]
[1. 1. 1. 1. 1. 1.]
[ 1 1 1 -1 -1 -1]
[1. 1. 1. 1. 1. 1.]
[ 1 1 1 -1 -1 -1]
[-1. -1. 1. -1. -1. -1.]
[ 1 1 1 -1 -1 -1]
[1. 1. 1. 1. 1. 1.]
[ 1 1 1 -1 -1 -1]
[ 1. 1. 1. -1. -1. 1.]
[ 1 1 1 -1 -1 -1]
[-1. -1. 1. -1. -1. -1.]
[ 1 1 1 -1 -1 -1]
[1. 1. 1. 1. 1. 1.]
[ 1 1 1 -1 -1 -1]
[ 1. 1. 1. -1. -1. 1.]
[ 1 1 1 -1 -1 -1]
[-1. -1. 1. -1. -1. -1.]
[ 1 1 1 -1 -1 -1]
[1. 1. 1. 1. 1. 1.]
[ 1 1 1 -1 -1 -1]
[ 1. 1. 1. -1. -1. 1.]
[ 1 1 1 -1 -1 -1]
[-1. -1. 1. -1. -1. -1.]
[ 1 1 1 -1 -1 -1]
[1. 1. 1. 1. 1. 1.]
[ 1 1 1 -1 -1 -1]
[ 1. 1. 1. -1. -1. 1.]
[ 1 1 1 -1 -1 -1]
[-1. -1. 1. -1. -1. -1.]
[ 1 1 1 -1 -1 -1]
[1. 1. 1. 1. 1. 1.]
[ 1 1 1 -1 -1 -1]
[ 1. 1. 1. -1. -1. 1.]
[ 1 1 1 -1 -1 -1]
[-1. 1. 1. -1. -1. -1.]
[ 1 1 1 -1 -1 -1]
[ 1. 1. 1. -1. -1. 1.]
[ 1 1 1 -1 -1 -1]
[ 1. 1. 1. -1. -1. -1.]
[ 1 1 1 -1 -1 -1]
Find W.
go to N:27
image.png
参考：