深度学入门笔记（一）————单层感知器（练习代码）

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/u013539952/article/details/82558996

练习题目

平面坐标系上有三个点，(3,3),(4,3)这两个点的标签为1，(1,1)的标签为-1。构建神经网络来分类。

思路

要分类的数据是二维数据，所以只需要2个输入节点，也可把神经元的偏置值也设置成一个节点，这样就有3个输入节点。

输入数据：（1，3，3），（1，4，3）（1，1，1）

数据对应的标签为（1，1，-1）    及种类有两种，构建神经网络进行分类

初始化权重值W0,W1,W1取-1到1的随机数

学习率设置为0.11

激活函数为sign函数

 1.导入包

import numpy as np
import matplotlib.pyplot as plt

2.定义

#输入数据
X = np.array([[1,3,3],[1,4,3],[1,1,1]])

#标签
Y = np.array([1,1,-1])

3.权值初始化

#权值初始化 1行3列 取值范围 -1,1
W = (np.random.random(3)-0.5)*2
print(W)

4.定义学习率及变量

#学习率
lr = 0.11

#计算迭代次数
n = 0

#神经网络输出
O = 0

5.更新函数

# 更新权值函数
def update():
	global X,Y,W,lr,n
	n+=1
	#输出
	O = np.sign(np.dot(X,W.T))
	#计算权值的改变   求平均 X的行
	W_C = lr*((Y-O.T).dot(X))/int(X.shape[0])
	W = W + W_C

6.用循环更新权值，循环100次

for _ in range(100):
	#更新权值函数
	update()
	#打印当前权值
	print(W)
	#打印迭代次数
	print(n)
	#计算当前输出
	O = np.sign(np.dot(X,W.T))
	#若实际输出等于期望输出 模型收敛 循环结束
	if(O == Y.T).all():
		print('Finish')
		#循环次数
		print('epoch:',n)
		break

7.用图形显示

#正样本
x1 = [3,4]
y1 = [3,3]
#负样本
x2 = [1]
y2 = [1]
#计算分界线的斜率及截距
k = -W[1]/W[2]
d = -W[0]/W[2]
print('k=',k)
print('d=',d)

#取0到5的点
xdata = np.linspace(0,5)  
#画图
plt.figure()
#红色表示
plt.plot(xdata,xdata*k+d,'r')
#正样本 蓝色表示
plt.plot(x1,y1,'bo')
#负样本 黄色表示
plt.plot(x2,y2,'yo')
plt.show()

执行结果