深度学习第4天：感知机模型

 

☁️主页 Nowl

专栏《机器学习实战》 《机器学习》

君子坐而论道，少年起而行之 

​

文章目录

感知机模型介绍

神经网络搭建感知机

结构

准备训练数据

感知机的损失函数与优化方法

测试结果

完整代码

多层感知机

结语

---

感知机模型介绍

感知机是一种很简单的二分类模型，给它一组特征，它输出是或者否

​

神经网络搭建感知机

在这一节中，我们使用Keras来搭建神经网络，Keras是一个python的深度学习框架

本节我们创建一个简单的判断输入是正数还是负数的感知机模型

结构

在神经网络中，感知机就是一个只有一个输入层，一个输出层的神经网络，我们使用Keras库来定义它

from keras.models import Sequential
from keras.layers import Dense


model = Sequential([
    Dense(1, activation='sigmoid')
])

可以看到非常简单

准备训练数据

因为任务非常简单，所以我们只用一小部分数据进行训练

# 创建随机输入数据和目标数据
input_data = np.array([[1], [-5], [-3], [2], [7], [-2], [5], [-2], [-111], [234], [21], [-24]])
target_data = np.array([[1], [0], [0], [1], [1], [0], [1], [0], [0], [1], [1], [0]])

将输入数据转化为array，这是Keras支持的输入格式，不然可能会报错 

损失函数与优化方法

我们定义损失函数为mse，优化方法为随机梯度下降，并训练模型1000个轮次

# 编译模型
model.compile(loss='mse', optimizer='sgd')
# 训练模型
model.fit(input_data, target_data, epochs=1000)

测试结果

data = np.array([[1], [98], [-17]])

prediction = model(data)
for i in range(3):
    print(str(data[i][0])+"是", end="")
    if prediction.numpy()[i][0] > 0.5:
        print("正数")
    else:
        print("负数")

在这个代码中，我们输入三个数据，1，98和-17，之后是对输出结果进行处理：如果模型输出的数据大于0.5，那就判断为正数，否则判断为负数，我们看看运行结果

​ 

完整代码

我们再来回顾完整代码，这个代码用一个感知机模型完成了判断数字正负的任务

• 先导入所需要的库
• 再定义一个感知机神经网络
• 接着准备训练数据
• 选择模型的损失函数与优化器
• 最后训练模型并进行效果检测

from keras.models import Sequential
from keras.layers import Dense
import numpy as np


# 定义模型
model = Sequential([
    Dense(1, activation='sigmoid')
])

# 创建随机输入数据和目标数据
input_data = np.array([[1], [-5], [-3], [2], [7], [-2], [5], [-2], [-111], [234], [21], [-24]])
target_data = np.array([[1], [0], [0], [1], [1], [0], [1], [0], [0], [1], [1], [0]])

# 编译模型
model.compile(loss='mse', optimizer='sgd')
# 训练模型
model.fit(input_data, target_data, epochs=1000)

# 效果检测
data = np.array([[1], [98], [-17]])

prediction = model(data)
for i in range(3):
    print(str(data[i][0])+"是", end="")
    if prediction.numpy()[i][0] > 0.5:
        print("正数")
    else:
        print("负数")

多层感知机

多层感知机是在感知机的基础上多了一个或多个隐藏层，同时加入了一些激活函数，隐藏层与激活函数使得多层感知机能够处理更加复杂的问题，非线性分类，多分类等

结语

以我的理解，单层感知机和多层感知机都只是形式化了的模型的某种结构，在具体任务中，我们的模型架构将是灵活多变的，我们主要应该了解的是模型的某一部分的作用，以便我们在遇到问题时能搭建出对应的模型，跟着本专栏继续学习下去吧

感谢阅读，觉得有用的话就订阅下本专栏吧，有错误也欢迎指出