神经网络的学习之感知器

hnyzyty 2020-06-25

最近在研究深度学习的论文,但是由于基础薄弱,所以下网上看了好多关于感知器的文章,总结如下:

我们先从最简单的单层感知机学起,单层感知机是一个多输入单输出的模型。

神经网络的学习之感知器

输入:x1, x2

权重:w1, w2

偏置:b

输出:y

为什么要f映射呢?

我们知道f是激活函数,是非线性函数。

如果我们没有激活函数,这个神经网络的输出会怎样?

神经网络的学习之感知器

 第一层输出:

  神经网络的学习之感知器

第二层输出:

  神经网络的学习之感知器

将第一层代入到第二层:

  神经网络的学习之感知器

 神经网络的学习之感知器

  神经网络的学习之感知器

神经网络的学习之感知器

# 与门逻辑电路
def AND(x1, x2):
    w1, w2, theta = 0.5, 0.5, 0.7
    tmp = x1*w1 + x2*w2
    if tmp <= theta:

        return 0
    else:
        return 1

AND(0, 0)  # 输出0
AND(1, 0)  # 输出0
AND(0, 1)  # 输出0
AND(1, 1)  # 输出1
import numpy as np
def AND(x1,x2):
    x = np.array([x1,x2])     # 输入
    w = np.array([0.5,0.5])   # 权重
    b = -0.7
    # 激活函数
    temp = np.sum(w*x)+b
    if temp <=0:
        return 0
    else:
        return 1

 

相关推荐