1. El siguiente paso pequeño presenta el algoritmo de actualización de peso de la inteligencia artificial para realizar una red neuronal simple
2. Vamos, show jupter noterbook
#调库
import numpy as np
#定义感受器
class Perceptron(object):
#eta:学习率
#n_iter:权重向量的训练次数
#w_:神经分叉权重向量
#errors_:用于记录神经元判断出错次数
def _int_(self,eta = 0.01,n_iter = 10):
self.eta = eta
self.n_iter = n_iter
pass
#输入训练数据,培训神经元
#x为输入样本向量,y为对应样本分类
#x:shape[n_samples,n_features]
#例如x[1,2,3],[4,5,6]
#n_samples:2
#n_feature:3
#y:[1,-1]
#初始化权重向量为0,+1因为w0(步调函数阈值)需初始化
def fit(self,x,y):
self.w_ =np.zero(1 + x.shape[1]);
self.errors_ = [];
for _ in range(self.n_iter):
errors = 0
#x[[1,2,3],[4,5,6]]
#y[1,-1]
#zip(x,y) = [[1,2,3,1],[4,5,6,-1]]
for xi,target in zip(x,y):
#update = n * (y-y')
update = self.eta * (target - self.predict(xi))
#xi是一个向量
#updata * xi 等价于:
self.w_[1:] += updata * xi #注意+=之间没空格
self.w_[0] += updata #注意+=之间没空格
errors +=int(update != 0.0)
self.errors_.append(errors)
pass
pass
def net_input(self,x):
return np.dot(x,self.w_[1:]) + self.w_[0]
pass
def predict(self,x):
return np.where(self.net_input(x) >= 0.0 , 1,-1)
pass
pass
3. Hay notas sobre la explicación detallada.
Espero poder ayudar a todos, les pregunto si quieren un me gusta, me lo darán, gracias a todos.
Declaración de derechos de autor: Los derechos de autor de este artículo pertenecen al autor (@ 攻城 狮 小 关) y al CSDN. Bienvenido a la reimpresión, pero debe conservar este párrafo sin el consentimiento del autor. Declaración y proporcione el enlace original en un lugar obvio en la página del artículo; de lo contrario, se reserva el derecho a ejercer la responsabilidad legal.
No es fácil para todos escribir artículos, por favor respete los frutos del trabajo ~
Communication plus Q: 1909561302
blog garden address https://www.cnblogs.com/guanguan-com/