Python中感知器算法的完整指南

Python中感知器算法的完整指南 Python

2020年8月7日，星期五

7分钟阅读时间

​感知器算法 Python

人工神经网络被高度用于解决机器学习中的问题。感知器算法是人工神经网络的最简单形式。机器学习程序员可以用它来创建一个单一的神经元模型来解决两类分类问题。这样一个模型也可以作为开发更大的人工神经网络的基础。在这篇文章中，我将向你展示如何创建一个感知器算法的Python例子。 图片来源：https://askabiologist.asu.edu/plosable/speed-human-brain 什么是感知器？ 人工神经网络中感知器的概念是从神经元的工作原理中借来的，神经元是大脑的基本处理单元。

神经元是由三个主要部分组成的。

树突 细胞体 轴突 下图显示了一个神经元的结构。

神经元知觉器

树突的工作是携带输入信号。

信号的处理在细胞体中完成，而轴突则携带输出信号。

一旦细胞达到一个特定的阈值，神经元就会发射一个动作信号。

发射动作可以发生，也可以不发生，但不存在 "部分发射 "这种情况。

就像神经元一样，感知器是由许多输入（通常被称为特征）组成的。

这些输入被送入一个线性单元以产生一个二进制输出。

正因为如此，感知器被用来解决二进制分类问题，即把样本归入两个预定义的类别中的一个。

觉察器算法如何工作 感知器是由以下部分组成的。

我们看到，Watson的草被打湿的信念确实倾向于被打湿（0.21 vs 0.79）。因此，BN认为Watson的草是湿的，因为在雨节点上有一个连接，这个信念是通过这个节点传播的。

输入值/一个输入层 权重和偏置 净和 激活函数 这些都显示在下图中。

Perceptron python 感知器接收一个向量x作为输入，将其乘以相应的权重向量w，然后将其加入偏置b。

然后，结果通过激活函数。

你一定在问自己这个问题......

"权重、偏置和激活函数的目的是什么？"

让我告诉你...

权重是用来显示一个特定节点的强度。

偏置值将允许你将激活函数的曲线向上或向下移动。

激活函数将帮助你在所需的数值之间映射输入，例如，（-1，1）或（0，1）。

请注意，感知器可以有任何数量的输入，但它会产生一个二进制输出。

但是，你如何在许多输入中产生一个二进制输出？

首先，每个输入被分配一个权重，也就是输入对输出的影响程度。

为了确定感知器的激活，我们检查每个输入的加权和是否低于或高于一个特定的阈值，或偏置，b。

在我们的案例中，加权和是。

1.w¹ + x1.w² + x2w³