Python3.x实现线性单元

代码：

from functools import reduce
class Perceptron(object):
    def __init__(self, input_num, activator):
        '''
        初始化感知器，设置输输入参数的个数以及激活函数
        :param input_num:
        :param activator:
        '''
        self.activator = activator
        # 权重向量初始化为0
        self.weights = [0.0 for _ in range(input_num)]
        # 初始化偏置项为0
        self.bias = 0

    def __str__(self):
        '''
        打印学习到的权重、偏置项
        :return:
        '''
        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
        :param input_vec:
        :return:
        '''
        # 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,
                   [x * w for x, w in 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
        :param input_vec:
        :param labels:
        :param iteration:
        :param rate:
        :return:
        '''
        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
        :param input_vecs:
        :param labels:
        :param rate:
        :return:
        '''
        # 把输入和输出打包在一起，成为样本的列表[(input_vec, label),..]
        # 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:
            # 计算服务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):
        '''
        按照感知器啊规则更新权重
        :param input_vec:
        :param output:
        :param label:
        :param rate:
        :return:
        '''
        # 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 = [ w + rate * delta * x
                         for x, w in zip(input_vec, self.weights)]
        # 更新权重
        self.bias += rate * delta


# 定义激活函数
f = lambda x: x

# 定义线性单元
class LinearUnit(Perceptron):
    def __init__(self, input_num):
        '''
        初始化线性单元，设置输入参数的个数
        :param input_num:
        '''
        Perceptron.__init__(self, input_num, f)


# 构造数据
def get_training_dataset():
    '''
    捏造5个人的数据
    :return:
    '''
    # 构建向量列表，每一项是供工作年限
    input_vecs = [[5], [3], [8], [1.4], [10.1]]
    # 期望的输出列表，月薪，主要要与输入一一对应
    labels = [5500, 2300, 7600, 1800, 11400]
    return input_vecs, labels

def train_linear_unit():
    '''
    使用数据训练线性单元
    :return:
    '''
    # 创建感知器，输入参数的特征数为1（工作年限）
    lu = LinearUnit(1)
    # 训练，迭代10轮，学习速率为0.01
    input_vecs, labels = get_training_dataset()
    lu.train(input_vecs, labels, 10, 0.01)
    # 返回训练好的线性单元
    return lu

if __name__ == '__main__':
    '''训练线性单元'''
    linear_unit = train_linear_unit()
    # 打印训练获得的权重
    print(linear_unit)
    # 测试
    print(
    'Work 3.4 years, monthly salary = %.2f' % linear_unit.predict([3.4]))
    print(
    'Work 15 years, monthly salary = %.2f' % linear_unit.predict([15]))
    print(
    'Work 1.5 years, monthly salary = %.2f' % linear_unit.predict([1.5]))
    print(
    'Work 6.3 years, monthly salary = %.2f' % linear_unit.predict([6.3]))

输出结果：

weights	:[1124.0634970262222]
bias	:85.485289

Work 3.4 years, monthly salary = 3907.30
Work 15 years, monthly salary = 16946.44
Work 1.5 years, monthly salary = 1771.58
Work 6.3 years, monthly salary = 7167.09

Python3.x实现线性单元

猜你喜欢