Upload New File

人工智能系统实战第三期/实战代码/深度学习项目实战/神经网络实现鸢尾花分类/perception.py

+from functools import reduce
+from functools import reduce
+
+
+class VectorOp(object):
+    """
+    实现向量计算操作
+    """
+    @staticmethod
+    def dot(x, y):
+        """
+        计算两个向量x和y的内积
+        """
+        # 首先把x[x1,x2,x3...]和y[y1,y2,y3,...]按元素相乘 ----> 变成[x1*y1, x2*y2, x3*y3]
+        # 然后利用reduce求和
+        return reduce(lambda a, b: a + b, VectorOp.element_multiply(x, y), 0.0)
+
+    @staticmethod
+    def element_multiply(x, y):
+        """
+        将两个向量x和y按元素相乘
+        """
+        # 首先 zip(x,y) ---> 把x[x1,x2,x3...]和y[y1,y2,y3,...]打包在一起 ---->变成[(x1,y1),(x2,y2),(x3,y3),...]
+        # 然后利用map函数计算[x1*y1, x2*y2, x3*y3]
+        return list(map(lambda x_y: x_y[0] * x_y[1], zip(x, y)))
+
+    @staticmethod
+    def element_add(x, y):
+        """
+        将两个向量x和y按元素相加
+        """
+        # 首先把x[x1,x2,x3...]和y[y1,y2,y3,...]打包在一起
+        # 变成[(x1,y1),(x2,y2),(x3,y3),...]
+        # 然后利用map函数计算[x1+y1, x2+y2, x3+y3]
+        return list(map(lambda x_y: x_y[0] + x_y[1], zip(x, y)))
+
+    @staticmethod
+    def scala_multiply(v, s):
+        """
+        将向量v中的每个元素和标量s相乘
+        """
+        return map(lambda e: e * s, v)
+
+
+class Perceptron():
+    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
+        # 权重向量初始化为0
+        self.weights = [0.0] * input_num
+        # 偏置项初始化为0
+        self.bias = 0.0
+
+    def __str__(self):
+        """
+        打印学习到的权重、偏置项
+        """
+        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
+        """
+        # 计算向量input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]的内积
+        # 然后加上bias
+        return self.activator( VectorOp.dot(input_vec, self.weights) + self.bias)
+
+def f(x):
+    """
+    定义激活函数f
+    """
+    return 1 if x > 0 else 0
+
+
+def train( 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
+    """
+    #初始化模型, 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
+    Perceptron_Model = Perceptron(2, f)
+
+    for _ in range(iteration):
+        # 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
+            output = Perceptron_Model.predict(input_vec)
+            # 根据梯度下降算法求更新权重
+            delta = label - output
+            Perceptron_Model.weights = VectorOp.element_add( Perceptron_Model.weights, VectorOp.scala_multiply(input_vec, rate * delta))
+            # 更新bias
+            Perceptron_Model.bias += rate * delta
+    
+    return Perceptron_Model
+ 
+
+def get_training_dataset():
+    """
+    基于and真值表构建训练数据和标签
+    """
+    # 构建训练数据
+    # 输入向量列表
+    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():
+    """
+    使用and真值表训练感知器
+    """ 
+    # 训练，迭代10轮, 学习速率为0.1
+    input_vecs, labels = get_training_dataset()
+    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]))
\ No newline at end of file