目錄

一、基礎理論

1、單詞感知器介紹?

2、單詞感知器學習規則

前向傳遞（得到輸出y）?

反向傳遞（更新權重w）

二、實現單層感知器

1、初始參數設置?

2、正向傳播（得到輸出y）

3、 反向傳播（更新權重參數）

總代碼

---

一、基礎理論

1、單詞感知器介紹?

感知器：模擬生物神經網絡的人工神經網絡結構。

w：權值，可以調節神經信號輸入值的大小。

b：偏置，相當于神經元內部自帶的信號。?

f(x)：激活函數，信號進行線性/非線性變化。（有sign、sigmoid、relu等等激活函數）

例：

一個典型的激活函數：sign(x)：當x>0時，輸出為1；當x=0時，輸出為0，當x=-1時，輸出為-1。

（把最開始的單層感知器的偏置值b變成了輸入w0*x0，w0*x0實際上就是w0）

2、單詞感知器學習規則

感知器學習規則：感知器中的權重參數w訓練方法。

前向傳遞（得到輸出y）?

（b是偏置）?

反向傳遞（更新權重w）

更新權重：?

二、實現單層感知器

1、初始參數設置?

先設置初始參數，輸入、權重、偏置、正確標簽、學習率等等。

# 輸入
x0, x1, x2 = 2, 4, 7
# 初始權重
w0, w1, w2 = 3, 5, 6
# 偏置
b = 1
# 標簽（正確標簽，訓練結束的目標）
true = -1
# 學習率(即yingta)
lr = 1

（犯了一個愚蠢的錯誤，sign函數最后的結果只有-1和1兩個值，我居然設置了一個12的標簽，自然永遠都不可能滿足要求）

2、正向傳播（得到輸出y）

# 開始訓練（正向、反向傳播）
for i in range(100):# 2、正向傳播：求輸出y# 這里選用sign激活函數y = np.sign(w0*x0+w1*x1+w2*x2)print(w0, w1, w2)print(y)

3、 反向傳播（更新權重參數）

# 3、反向傳播：更新權重參數# 如果沒有達到訓練目標，更新w權重if y != true:w0 += lr * (true - y) * x0w1 += lr * (true - y) * x1w2 += lr * (true - y) * x2else:print('訓練成功！y = ', y)break

?換一組數據：

?（可以看出來，數據越大，需要訓練的次數越多）

總代碼

# 手寫單層感知器
import numpy as np# 1、設置初始參數
# 輸入
x0, x1, x2 = 2, 4, 7
# 初始權重
w0, w1, w2 = 13, 15, 16
# 偏置
b = 1
# 標簽（正確標簽，訓練結束的目標）
true = -1
# 學習率(即yingta)
lr = 1# 開始訓練（正向、反向傳播）
for i in range(100):# 2、正向傳播：求輸出y# 這里選用sign激活函數y = np.sign(w0*x0+w1*x1+w2*x2)print(w0, w1, w2)print(y)# 3、反向傳播：更新權重參數# 如果沒有達到訓練目標，更新w權重if y != true:w0 += lr * (true - y) * x0w1 += lr * (true - y) * x1w2 += lr * (true - y) * x2else:print('訓練成功！y = ', y)break

總結

以上是生活随笔為你收集整理的深度学习--TensorFlow （1）单层感知器1 -- 实现单数据训练的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。