时间:2021-05-22
在神经网络入门回顾(感知器、多层感知器)中整理了关于感知器和多层感知器的理论,这里实现关于与门、与非门、或门、异或门的代码,以便对感知器有更好的感觉。
此外,我们使用 pytest 框架进行测试。
pip install pytest通过一层感知器就可以实现与门、与非门、或门。
先写测试代码 test_perception.py:
from perception import and_operate, nand_operate, or_operatedef test_and_operate(): """ 测试与门 :return: """ assert and_operate(1, 1) == 1 assert and_operate(1, 0) == 0 assert and_operate(0, 1) == 0 assert and_operate(0, 0) == 0def test_nand_operate(): """ 测试与非门 :return: """ assert nand_operate(1, 1) == 0 assert nand_operate(1, 0) == 1 assert nand_operate(0, 1) == 1 assert nand_operate(0, 0) == 1def test_or_operate(): """ 测试或门 :return: """ assert or_operate(1, 1) == 1 assert or_operate(1, 0) == 1 assert or_operate(0, 1) == 1 assert or_operate(0, 0) == 0写完测试代码,后面直接输入命令pytest -v 即可测试代码。
这三个门的权重和偏置是根据人的直觉或者画图得到的,并且不是唯一的。以下是简单的实现,在 perception.py 中写上:
import numpy as npdef step_function(x): """ 阶跃函数 :param x: :return: """ if x <= 0: return 0 else: return 1def and_operate(x1, x2): """ 与门 :param x1: :param x2: :return: """ x = np.array([x1, x2]) w = np.array([0.5, 0.5]) b = -0.7 return step_function(np.sum(w * x) + b)def nand_operate(x1, x2): """ 与非门 :param x1: :param x2: :return: """ x = np.array([x1, x2]) w = np.array([-0.5, -0.5]) b = 0.7 return step_function(np.sum(w * x) + b)def or_operate(x1, x2): """ 或门 :param x1: :param x2: :return: """ x = np.array([x1, x2]) w = np.array([0.5, 0.5]) b = -0.3 return step_function(np.sum(w * x) + b)运行pytest -v确认测试通过。
========================================================================== test session starts ===========================================================================platform darwin -- Python 3.6.8, pytest-5.1.2, py-1.8.0, pluggy-0.12.0 -- /Users/mac/.virtualenvs/work/bin/python3...collected 3 items test_perception.py::test_and_operate PASSED [ 33%]test_perception.py::test_nand_operate PASSED [ 66%]test_perception.py::test_or_operate PASSED [100%]=========================================================================== 3 passed in 0.51s ============================================================================如上图所示,由于异或门不是线性可分的,因此需要多层感知器的结构。
使用两层感知器可以实现异或门。
修改 test_perception.py 文件,加入异或门的测试代码 :
from perception import and_operate, nand_operate, or_operate, xor_operate以及
def test_xor_operate(): """ 测试异或门 :return: """ assert xor_operate(1, 1) == 0 assert xor_operate(1, 0) == 1 assert xor_operate(0, 1) == 1 assert xor_operate(0, 0) == 0在 perception.py 文件里加入异或门的函数:
def xor_operate(x1, x2): """ 异或门 :param x1: :param x2: :return: """ s1 = nand_operate(x1, x2) s2 = or_operate(x1, x2) return and_operate(s1, s2)我们通过与非门和或门的线性组合实现了异或门。
运行命令pytest -v测试成功。
========================================================================== test session starts ===========================================================================platform darwin -- Python 3.6.8, pytest-5.1.2, py-1.8.0, pluggy-0.12.0 -- /Users/mac/.virtualenvs/work/bin/python3...collected 4 items test_perception.py::test_and_operate PASSED [ 25%]test_perception.py::test_nand_operate PASSED [ 50%]test_perception.py::test_or_operate PASSED [ 75%]test_perception.py::test_xor_operate PASSED [100%]=========================================================================== 4 passed in 0.60s ============================================================================原文作者:雨先生
原文链接:https:///noluye/p/11465389.html
许可协议:知识共享署名-非商业性使用 4.0 国际许可协议
以上就是Python如何实现感知器的逻辑电路的详细内容,更多关于python 感知器的逻辑电路的资料请关注其它相关文章!
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
本文实例为大家分享了Python实现感知器模型、两层神经网络,供大家参考,具体内容如下python3.4因为使用了numpy这里我们首先实现一个感知器模型来实现
时序逻辑电路是数字逻辑电路的重要组成部分,时序逻辑电路又称时序电路,主要由存储电路和组合逻辑电路两部分组成,时序逻辑电路在逻辑功能上的特点是任意时刻的输出不仅取
上篇博客转载了关于感知器的用法,遂这篇做个大概总结,并实现一个简单的感知器,也为了加深自己的理解。感知器是最简单的神经网络,只有一层。感知器是模拟生物神经元行为
现在我们用python代码实现感知器算法。#-*-coding:utf-8-*-importnumpyasnpclassPerceptron(object):"
本文实例为大家分享了Python感知器算法实现的具体代码,供大家参考,具体内容如下先创建感知器类:用于二分类#-*-coding:utf-8-*-importn