深度学习笔记（1）——感知机
目录
感知机概念
几种感知机
与门（and_gate）
或门（or_gate）
非与门 （not_and_gate）
感知机叠加
异或门
一、感知机概念
3. 非与门（not_and_gate）
作者：iiChor Jum
接触深度学习的第一个概念就是感知机，感知机是与门、或门的逻辑电路，是一种判别模型。常见的感知机分为与门、或门、非与门。
通过感知机，相当于是用一条直线将空间进行了划分。
我们都知道，与门只有在输入的 x1 和 x2 都是1的情况下才会输出1，即：
(0, 0) -> 0
(1, 0) -> 0
(0, 1) -> 0
(1, 1) -> 1
与门的代码实现如下：
def AND(x1, x2):
x = np.array([x1, x2])
w = np.array([0.5, 0.5])
b = -0.7
tmp = np.sum(w * x) + b
if tmp <= 0:
return 0
else:
return 1
这样，就相当于用一条直线将上述四个点分开了：
或门只有在输入的 x1 和 x2 都是0的情况下才会输出0，即：
(0, 0) -> 0
(1, 0) -> 1
(0, 1) -> 1
(1, 1) -> 1
或门的代码实现如下：
def OR(x1, x2):
x = np.array([x1, x2])
w = np.array([0.5, 0.5])
b = -0.2
tmp = np.sum(w * x) + b
if tmp <= 0:
return 0
else:
return 1
同样，相当于用一条直线将上述四个点分开了：
3. 非与门（not_and_gate）
原理类似：
(0, 0) -> 1
(1, 0) -> 0
(0, 1) -> 0
(1, 1) -> 0
非与门的代码实现如下：
def NAND(x1, x2):
x = np.array([x1, x2])
w = np.array([-0.5, -0.5])
b = 0.7
tmp = np.sum(w * x) + b
if tmp <= 0:
return 0
else:
return 1
划分曲线和与门相同。
三、感知机叠加上面说的3种逻辑都可以通过一条直线将区域划分，但是对于处理异或门的时候，情况就变的 有些复杂。
1. 异或门异或门输入与输出的关系如下：
(0, 0) -> 1
(1, 0) -> 0
(0, 1) -> 0
(1, 1) -> 1
这时就很难用一条直线将区域进行划分。除了可以使用曲线之外，还可以通过将感知机进行叠加，实现功能。
运算过程如下：
| 输入 | NAND | OR | AND |
|---|---|---|---|
| （0，0） | 1 | 0 | 0 |
| （0，1） | 1 | 1 | 1 |
| （1，0） | 1 | 1 | 1 |
| （1，1） | 0 | 1 | 0 |
代码实现如下：
def XOR(x1, x2):
s1 = NAND(x1, x2)
s2 = OR(x1, x2)
y = AND(s1, s2)
return y
这样就成功将数据分成了2组，其实这里就实现了一个简单的神经网络。
神经网络就是这样一个过程，当无法直接获取输出结果的时候，就通过一系列的运算，将最后的结果输出。
理解了感知机，对后面深度学习的理解就迈出了第一步。
作者：iiChor Jum
相关文章
Iris
2021-08-03
Rosine
2021-03-08
Halima
2021-06-19
Ula
2023-05-13
Jacinda
2023-05-13
Winona
2023-05-13
Fawn
2023-05-13
Echo
2023-05-13
Maha
2023-05-13
Kande
2023-05-15
Viridis
2023-05-17
Pandora
2023-07-07
Tallulah
2023-07-17
Janna
2023-07-20
Ophelia
2023-07-20
Natalia
2023-07-20
Irma
2023-07-20