感知器

感知器
真的好像自控中的負反饋
程序不要隨便刪除

from functools import reduce  
#python 3 在Python 3里,reduce()函數(shù)已經(jīng)被        
#從全局名字空間里移除了,它現(xiàn)在被放置在
#fucntools模塊里 用的話要 先引入:                  
class Perceptron(object):
    def __init__(self, input_num, activator):               #初始化函數(shù)
        self.activator = activator
        self.weights = [0.0 for _ in range(input_num)]
        self.bias = 0.0

    def __str__(self):
        return 'weights\t:%s\nbias\t:%f\n' % (self.weights, self.bias)

    def predict(self,input_vec):               #這一步與連接中程序有所不同
        L=[i*j for i,j  in zip(input_vec,self.weights)]
        return self.activator(reduce
                      (lambda a, b: a + b, L, 0.0) + self.bias)
     

    def train(self, input_vecs, labels, iteration, rate):
        for i in range(iteration):
            self._one_iteration(input_vecs, labels, rate)



    def _one_iteration(self, input_vecs, labels, rate):
        samples = zip(input_vecs, labels)       
        for (input_vec,label) in samples:
            output = self.predict(input_vec)
            self._update_weights(input_vec, output, label, rate)   

    def _update_weights(self, input_vec, output, label, rate):
        delta = label - output
        self.weights =[j + rate * delta * i for i,j in  zip(input_vec,self.weights)]  
        self.bias += rate * delta
    #這里同樣也有map 和 zip 的問題


def f(x):
    return 1 if x>0 else 0


def get_training_dataset():
    input_vecs = [[1,1], [0,0], [1,0], [0,1]]
    labels = [1, 0, 0, 0]
    return input_vecs, labels 


def train_and_perceptron():
    p = Perceptron(2, f)
    input_vecs, labels = get_training_dataset()
    p.train(input_vecs, labels, 10, 0.1)
    return p



if __name__ == '__main__':
    example = train_and_perceptron()
    print (example)
    print ('1 and 1 = %d' % example.predict([1, 1]))
    print ('1 and 0 = %d' % example.predict([1, 0]))
    print ('0 and 0 = %d' % example.predict([0, 0]))
    print ('0 and 1 = %d' % example.predict([0, 1]))

在連接中 return self.activator(reduce(lambda a, b: a + b, map(lambda (x, w): x * w,
zip(input_vec, self.weights)), 0.0) + self.bias)
這里就是y = f(w * x +b) 但是在python3中回挽,zip 和 map返回的是對象 而非列表娶牌,支持迭代

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末哲思,一起剝皮案震驚了整個濱河市,隨后出現(xiàn)的幾起案子警医,更是在濱河造成了極大的恐慌,老刑警劉巖肖卧,帶你破解...
    沈念sama閱讀 211,639評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件志笼,死亡現(xiàn)場離奇詭異,居然都是意外死亡痊土,警方通過查閱死者的電腦和手機肄扎,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,277評論 3 385
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來赁酝,“玉大人犯祠,你說我怎么就攤上這事∽么簦” “怎么了衡载?”我有些...
    開封第一講書人閱讀 157,221評論 0 348
  • 文/不壞的土叔 我叫張陵,是天一觀的道長隙袁。 經(jīng)常有香客問我痰娱,道長,這世上最難降的妖魔是什么菩收? 我笑而不...
    開封第一講書人閱讀 56,474評論 1 283
  • 正文 為了忘掉前任猜揪,我火速辦了婚禮,結(jié)果婚禮上坛梁,老公的妹妹穿的比我還像新娘而姐。我一直安慰自己,他們只是感情好划咐,可當我...
    茶點故事閱讀 65,570評論 6 386
  • 文/花漫 我一把揭開白布拴念。 她就那樣靜靜地躺著钧萍,像睡著了一般。 火紅的嫁衣襯著肌膚如雪政鼠。 梳的紋絲不亂的頭發(fā)上风瘦,一...
    開封第一講書人閱讀 49,816評論 1 290
  • 那天,我揣著相機與錄音公般,去河邊找鬼万搔。 笑死,一個胖子當著我的面吹牛官帘,可吹牛的內(nèi)容都是我干的瞬雹。 我是一名探鬼主播,決...
    沈念sama閱讀 38,957評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼刽虹,長吁一口氣:“原來是場噩夢啊……” “哼酗捌!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起涌哲,我...
    開封第一講書人閱讀 37,718評論 0 266
  • 序言:老撾萬榮一對情侶失蹤胖缤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后阀圾,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體哪廓,經(jīng)...
    沈念sama閱讀 44,176評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,511評論 2 327
  • 正文 我和宋清朗相戀三年初烘,在試婚紗的時候發(fā)現(xiàn)自己被綠了撩独。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 38,646評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡账月,死狀恐怖综膀,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情局齿,我是刑警寧澤剧劝,帶...
    沈念sama閱讀 34,322評論 4 330
  • 正文 年R本政府宣布,位于F島的核電站抓歼,受9級特大地震影響讥此,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜谣妻,卻給世界環(huán)境...
    茶點故事閱讀 39,934評論 3 313
  • 文/蒙蒙 一萄喳、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧蹋半,春花似錦他巨、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,755評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽捻爷。三九已至,卻和暖如春份企,著一層夾襖步出監(jiān)牢的瞬間也榄,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 31,987評論 1 266
  • 我被黑心中介騙來泰國打工司志, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留甜紫,地道東北人。 一個月前我還...
    沈念sama閱讀 46,358評論 2 360
  • 正文 我出身青樓骂远,卻偏偏與公主長得像囚霸,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子吧史,可洞房花燭夜當晚...
    茶點故事閱讀 43,514評論 2 348

推薦閱讀更多精彩內(nèi)容