深度学习的最开始---2
4:实战
> 语言：python
> ide: pycharm
1 : Perceptor.py
# -*- coding:utf8 -*-
'''
神经网络感知器
'''
class Preceptron(object):
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 for _ in range(input_num)]
#构建一个长度为input_num的double类型list
#偏置项初始化为0
self.bias = 0.0
def __str__(self):
'''
print时的附加输出项
打印学习到的权重、偏置项
'''
return 'weigths\t:%s\nbias\t:%f\n' %(self.weights, self.bias)
#预测
def predict(self, input_vec):
'''
输入向量，输出感知器计算结果
'''
# input_vec[] 和 weight[] 打包在一起
# 变成[(x1,w1),(x2,w2).....(xn,wn)]
# 最后利用reduce求和
# zip()多个数组打包方法
# map(a,b)执行a函数b为参数
return self.activator(
reduce(lambda a, b: a+b,
map(lambda (x,w): x * w, zip(input_vec, self.weights))
, 0.0) + self.bias)
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 、训练轮数 、学习率
'''
# iteration:迭代
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
# 每个训练样本是（input_vex, 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 = self.predict(input_vec)
# 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 和 weigths 打包在一起
delta = label - output
self.weights = map(
lambda (x, w): w + rate * delta * x,
zip(input_vec, self.weights))
self.bias +=rate * delta
2:and_train.py
# -*- coding:utf8 -*-
import Perceptor
def f(x):
'''
定义一个激活函数
'''
return 1 if x > 0 else 0
def get_training_dataset():
#基于真值表构建训练数据
input_vecs= [[1,1],[0,0],[1,0],[0,1]]
labels = [1,0,0,0]
return input_vecs,labels
def train_percetron():
p = Perceptor.Preceptron(2,f)
input_vecs, labels = get_training_dataset()
p.train(input_vecs, labels, 10, 0.1)
return p
if __name__ == '__main__':
and_perception = train_percetron()
print and_perception
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])
python中的函数和使用方法就不做解释了，百度即可解决，最后执行下来，就完成了一个简单的感知器训练了。
网友评论