时间：2018-01-03 作者：魏文应
说明：
这里转载一篇文章：
https://www.zybuluo.com/hanbingtao/note/433855
其中的代码可以访问作者的github：
https://github.com/hanbt/learn_dl/blob/master/perceptron.py
我把他的文章代码放在这里（这是一个实现and功能的感知器，也就是与或非中的与功能）：
#!/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,...]打包在一起
# 变成[(x1,w1),(x2,w2),(x3,w3),...]
# 然后利用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，把所有的训练数据过一遍
'''
# 把输入和输出打包在一起，成为样本的列表[(input_vec, label), ...]
# 而每个训练样本是(input_vec, label)
samples = zip(input_vecs, labels)
# 对每个样本，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,...]打包在一起
# 变成[(x1,w1),(x2,w2),(x3,w3),...]
# 然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]]
# 期望的输出列表，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
'''
# 创建感知器，输入参数个数为2（因为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, 0.01)
#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()
# 打印训练获得的权重
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])
测试环境：上面的代码是在python2.7上运行的。如果你要在自己的机器上运行，还要修改python路径说明：#!/usr/bin/env python
测试：
下面是我对原文代码的关键代码分解测试，只是一个参考，你可以跳过这部分代码。
# coding = utf-8
# 感知器 分析
# (1) 其中的一个值更新了权重
# (2) 循环4个值
# (3) 将(1)和(2)循环10次
# 输入数据
input_vecs = [[1,1], [0,0], [1,0], [0,1]]
# 标签
labels = [1, 0, 0, 0]
# 打包关联标签和样本
samples = zip(input_vecs, labels)
# [([1, 1], 1), ([0, 0], 0), ([1, 0], 0), ([0, 1], 0)]
print samples
# 输入其中一个数据
input_vec = [1, 1]
weights = [0.0, 0.0]
bias = 0.0
return_01 = lambda (x, w): x * w
return_02 = zip(input_vec, weights)
# [(1,0), (1,0)]
print '\n-----return_02------'
print return_02
return_03 = lambda a, b: a + b
return_04 = map(return_01, return_02)
# [0.0, 0.0]
print '\n-----return_04------'
print return_04
result = reduce(return_03, return_04, 0.0)
print '\n-----result------'
print result
result += bias
def activator(x):
'''
定义激活函数f
'''
return 1 if x > 0 else 0
output = activator(result)
print output
感知器（也叫神经元）：
y = f(ω · χ + b)
f 是激活函数，激活函数可以把线性函数变成非线性函数。
w是权值，一般是一个向量（这个就是我们想得到的参数，也是机器学习的学习目标）
x 是输入，一般是训练数据向量（这个就是我们标记好的训练数据啦）
b 是偏置，和w权值参数一样，也是我们要得到目标
千言万语都在代码中，把代码一点一点实现一遍就清楚啦！！！
