深度学习之感知机模型

在进入深度学习之前，首先要学的就是感知机模型，从平面点集分类角度来看，如果可以用一条直线就可以对平面所在的某些点集进行分类，则称之为单层感知机，显然单层感知机并不能很好的实现一些要求，这时多层感知机模型就派上了用场，实际上它可以进行非线性分类，例如异或门的实现，现实现与门、与非门、或门以及异或门，详细原理可参考《深度学习入门》一书。

# 单层感知机模型实现与门、与非门、或门
import numpy as np
def AND(x1,x2):
    x=np.array([x1,x2])
    w=np.array([0.5,0.5])
    b=-0.7
    y=np.sum(w*x)+b
    if y<=0:
        return 0
    else:
        return 1
    
def NAND(x1,x2):
    x=np.array([x1,x2])
    w=np.array([-0.5,-0.5])
    b=0.7
    y=np.sum(w*x)+b
    if y<=0:
        return 0
    else:
        return 1   

def OR(x1,x2):
    x=np.array([x1,x2])
    w=np.array([0.5,0.5])
    b=-0.2
    y=np.sum(w*x)+b
    if y<=0:
        return 0
    else:
        return 1

# 多层感知机实现异或门
def XOR(x1,x2):
    s1=NAND(x1,x2)
    s2=OR(x1,x2)
    y=AND(s1,s2)
    return y

print(XOR(0,0))
print(XOR(1,0))
print(XOR(0,1))
print(XOR(1,1))

作为深度学习的入学者，我也很推荐《深度学习入门》一书，浅显易懂，从0开始，逐渐进入佳境，也欢迎感兴趣的小伙伴一起学习，创作不易，感谢支持~~