#什么是深度学习#
在人工智能领域,有一个方法叫机器学习。在机器学习这个方法里,有一类算法叫神经网络。神经网络以下图所示:
上图中每一个圆圈都是一个神经元,每条线表示神经元之间的链接。咱们能够看到,上面的神经元被分红了多层,层与层之间的神经元有链接,而层内之间的神经元没有链接。最左边的层叫作输入层,这层负责接收输入数据;最右边的层叫输出层,咱们能够从这层获取神经网络输出数据。输入层和输出层之间的层叫作隐藏层。html
隐藏层比较多(大于2)的神经网络叫作深度神经网络。而深度学习,就是使用深层架构(好比,深度神经网络)的机器学习方法。python
那么深层网络和浅层网络相比有什么优点呢?简单来讲深层网络可以表达力更强。事实上,一个仅有一个隐藏层的神经网络就能拟合任何一个函数,可是它须要不少不少的神经元。而深层网络用少得多的神经元就能拟合一样的函数。也就是为了拟合一个函数,要么使用一个浅而宽的网络,要么使用一个深而窄的网络。然后者每每更节约资源。web
深层网络也有劣势,就是它不太容易训练。简单的说,你须要大量的数据,不少的技巧才能训练好一个深层网络。这是个手艺活。算法
#感知器#网络
为了理解神经网络,咱们应该先理解神经网络的组成单元–神经元,神经元也叫作感知器。感知器算法在上个世纪50-70年代很流行,也成功解决了不少问题,而且感知器算法也是很是简单的。架构
##感知器的定义##
app
能够看到,一个感知器有以下组成部分:机器学习
例子:用感知器实现 函数svg
咱们令 ,而激活函数就是前面写出来的阶跃函数,这时,感知器就至关于 函数。咱们验算一下:函数
输入上面真值表的第一行,即
,计算输出:
KaTeX parse error: No such environment: align* at position 8: \begin{̲a̲l̲i̲g̲n̲*̲}̲ y&=f(w \cdot x…
##感知器还能作什么##
事实上,感知器不只仅能实现简单的布尔运算。它能够拟合任何的线性函数,任何线性分类或线性回归问题均可以用感知器来解决。前面的布尔运算能够看做是二分类问题,即给定一个输入,输出
(属于分类
)或
(属于分类
)。以下面所示,
运算是一个线性分类问题,便可以用一条直线把分类
(
,红叉表示)和分类
(
,绿点表示)分开。
##感知器的训练##
如今,你可能困惑前面的权重项和偏置项的值是如何得到的呢?这就要用到感知器训练算法:将权重项和偏置项初始化为0,而后,利用下面的感知器规则迭代的修改
和
,直到训练完成。
KaTeX parse error: No such environment: align* at position 8: \begin{̲a̲l̲i̲g̲n̲*̲}̲ w_i&\gets w_i+…
其中:
KaTeX parse error: No such environment: align* at position 8: \begin{̲a̲l̲i̲g̲n̲*̲}̲ \Delta w_i&=\e…
是与输入
对应的权重项,
是偏置项。事实上,能够把
看做是值永远为1的输入
所对应的权重。
是训练样本的实际值,通常称之为
。而
是感知器的输出值。
是一个称为学习速率的常数,其做用是控制每一步调整权的幅度。
每次从训练数据中取出一个样本的输入向量 ,使用感知器计算其输出 ,再根据上面的规则来调整权重。每处理一个样本就调整一次权重。通过多轮迭代后(即所有的训练数据被反复处理多轮),就能够训练出感知器的权重,使之实现目标函数。
##实现感知器##
#!/usr/bin/env python # -*- coding: UTF-8 -*- class Perceptron(object): def __init__(self, input_num, activator): ''' 初始化感知器,设置输入参数的个数,以及激活函数。 激活函数的类型为double -> double ''' self.activator = activator # 权重向量初始化为0 self.weights = [0.0 for _ in range(input_num)] # 偏置项初始化为0 self.bias = 0.0 def __str__(self): ''' 打印学习到的权重、偏置项 ''' return 'weights\t:%s\nbias\t:%f\n' % (self.weights, self.bias) def predict(self, input_vec): ''' 输入向量,输出感知器的计算结果 ''' # 把input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]打包在一块儿 # 变成[(x1,w1),(x2,w2),(x3,w3),...] # 而后利用map函数计算[x1*w1, x2*w2, x3*w3] # 最后利用reduce求和 return self.activator( reduce(lambda a, b: a + b, map(lambda (x, w): x * w, zip(input_vec, self.weights)) , 0.0) + self.bias) def train(self, input_vecs, labels, iteration, rate): ''' 输入训练数据:一组向量、与每一个向量对应的label;以及训练轮数、学习率 ''' for i in range(iteration): self._one_iteration(input_vecs, labels, rate) def _one_iteration(self, input_vecs, labels, rate): ''' 一次迭代,把全部的训练数据过一遍 ''' # 把输入和输出打包在一块儿,成为样本的列表[(input_vec, label), ...] # 而每一个训练样本是(input_vec, label) samples = zip(input_vecs, labels) # 对每一个样本,按照感知器规则更新权重 for (input_vec, label) in samples: # 计算感知器在当前权重下的输出 output = self.predict(input_vec) # 更新权重 self._update_weights(input_vec, output, label, rate) def _update_weights(self, input_vec, output, label, rate): ''' 按照感知器规则更新权重 ''' # 把input_vec[x1,x2,x3,...]和weights[w1,w2,w3,...]打包在一块儿 # 变成[(x1,w1),(x2,w2),(x3,w3),...] # 而后利用感知器规则更新权重 delta = label - output self.weights = map( lambda (x, w): w + rate * delta * x, zip(input_vec, self.weights)) # 更新bias self.bias += rate * delta def f(x): ''' 定义激活函数f ''' return 1 if x > 0 else 0 def get_training_dataset(): ''' 基于and真值表构建训练数据 ''' # 构建训练数据 # 输入向量列表 input_vecs = [[1,1], [0,0], [1,0], [0,1]] # 指望的输出列表,注意要与输入一一对应 # [1,1] -> 1, [0,0] -> 0, [1,0] -> 0, [0,1] -> 0 labels = [1, 0, 0, 0] return input_vecs, labels def train_and_perceptron(): ''' 使用and真值表训练感知器 ''' # 建立感知器,输入参数个数为2(由于and是二元函数),激活函数为f p = Perceptron(2, f) # 训练,迭代10轮, 学习速率为0.1 input_vecs, labels = get_training_dataset() p.train(input_vecs, labels, 10, 0.1) #返回训练好的感知器 return p if __name__ == '__main__': # 训练and感知器 and_perception = train_and_perceptron() # 打印训练得到的权重 print and_perception # 测试 print '1 and 1 = %d' % and_perception.predict([1, 1]) print '0 and 0 = %d' % and_perception.predict([0, 0]) print '1 and 0 = %d' % and_perception.predict([1, 0]) print '0 and 1 = %d' % and_perception.predict([0, 1])
【转载】感知器