摘要：
1、使用标量实现感知器；
2、使用鸢尾花作为训练与测试样本；
鸢尾花：
一、感知器算法与公式
1、感知器训练算法
【计算输出：向前】
（1）随机初始化一组权重（权重个数与输入特征数据个数一样）；
（2）对输入的特征数据使用随机初始化的权重，进行加权求和；
（3）使用激活函数，对加权求和的结果做函数运算，最后得到计算输出结果，
【更新权重：反向】
（1）根据向前的计算输出，与样本的数据的期望输出，计算权重的更新梯度；
（2）使用学习率与更新梯度，计算权重的更新值；
（3）使用权重更新值，更新权重；
2、感知器训练计算公式
【向前输出计算公式】
【向后权重更新公式】
如果上面激活函数是恒等函数，公式还可以更加简化。
注意：
（1）我们这里是求最小值，所以权重更新使用减法运算。如果求最大值，则权重更新使用加法运算。
（2）这个缘于选择导数作为梯度的结果，因为极小值点左边导数为负，如果需要逼近极小值点，则需要减去导数，实际上是加上导数的相反数。
二、感知器设计与实现
1、感知器类设计
感知器核心功能就两个：向前计算输出(forward)，向后更新权重(backward)。
感知器核心数据就一个：权重（相关数据：输入特征数据，激活函数，学习率）。
2、感知器应用类设计
感知器应用类核心功能也只有两个：训练(train)，预测分类(predict)。
感知器应用类核心数据就是训练的参数：训练次数，被训练的感知器，训练样本与期望标签。
3、感知器实现
【导入模块】
【数据初始化】
还有一些后置条件数据，需要在计算过程中初始化，并赋值，比如：计算结果输出y。
【forward函数实现】
注意：其中偏置项需要加上。
【backward函数实现】
4、感知器应用类实现
【数据初始化】
其中需要初始化一个感知器，感知器的构造器参数都是通过应用类构造器传递。
【train函数实现】
其中训练算法应该是达到极小值点就结束，实际上这不太可能，所以采用在指定训练次数，训练次数会根据经验得到一个相对最佳值。
【predict函数实现】
预测分类函数的返回值，实际是训练多测后权重下计算的结果，理论上是接近我们期望的结果。
三、鸢尾花测试效果
现在是测试上面两个类的时候，这里使用鸢尾花数据样本。
1、样本数据介绍
注：下面鸢尾花数据集介绍内容来自【百度百科】
Iris数据集是常用的分类实验数据集，由Fisher, 1936收集整理。Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。数据集包含150个数据集，分为3类，每类50个数据，每个数据包含4个属性。可通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类。其它比较流行的数据集还有Adult,Wine,Car Evaluation等。
iris以鸢尾花的特征作为数据来源，常用在分类操作中。该数据集由3种不同类型的鸢尾花的50个样本数据构成。其中的一个种类与另外两个种类是线性可分离的，后两个种类是非线性可分离的。
该数据集包含了5个属性：
& Sepal.Length（花萼长度），单位是cm;
& Sepal.Width（花萼宽度），单位是cm;
& Petal.Length（花瓣长度），单位是cm;
& Petal.Width（花瓣宽度），单位是cm;
& 种类：Iris Setosa（山鸢尾）、Iris Versicolour（杂色鸢尾），以及Iris Virginica（维吉尼亚鸢尾）。
该数据集使用有两种形式：文本文件，sklearn.datasets模块的封装。这里使用sklearn.datasets封装。
下面是鸢尾花文本数据集截图：
2、样本数据加载
我们使用前100个样本作为测试，记得import模块。
from sklearn import datasets #获取鸢尾花数据样本
下面是数据集加载的代码：
3、感知器构造与感知器应用构造
提示：感知器应用构造后，会自动构造一个感知器。
注意：
（1）激活函数使用的恒等函数，其函数导数恒为1。
（2）学习率最好小点，一般取值为四位小数。
（3）学习率小则训练次数需要多。这个平衡度是一种经验。
（4）鸢尾花的数据集是4维特征数据。
如果学习率，取得较大，很可能训练不会收敛，最后的结果可能是无穷。这里设置的学习率是0.0000001，训练轮数是100000，下面可以看到测试效果。
4、样本训练
样本训练的实现就非常简单了。
训练函数已经封装好，只需要传入训练集与期望标签集，就可以完成训练工作。
5、样本分类测试
训练完毕，就可以使用特征数据测试，这里采用训练样本来测试（当然也可以采用没有参加训练的样本来测试），前面50个期望值是0，后面50个期望值是1，当然输出结果，不可能精确到为0或者1。我们采用近似计算，0.5以下就是0，0.5以上就是1（也可以0.1以下为0，0.9以上为1），所以实现代码如下：
最后训练的测试效果为100%：
鸢尾花文本数据集下载：数据集/01鸢尾花
代码下载：https://github.com/QiangAI/AICode/tree/master/ml01_perceptron
