感知机算法拓展---神经网络

神经元

神经元是神经网络的基本单元，接受多个神经元传递过来的输入信号，然后通过激活函数计算输出信号。

从图里可以看到每个输入信号都有一个权重w，这个权重是动态改变的。我们平时所说的训练神经网络主要是训练（修正）这个权重w。

同时每个神经元有一个参数theta，这个theta是阈值，生物意义上，如果输入信号的加权和比阈值高，意味着这个神经元被激活（处于兴奋状态）。信号向下一个神经元传递，但是在这里的感知机模型里面，theta不过是个公式里的参数罢了。

感知机（Perceptron） 感知机本质上就是两个神经元构成的简单神经网络。一层是输入层，全部是输入神经元，直接把信号传递给下一层神经元，第二层就是输出层。

感知机使用Sigmoid函数作为激活函数：

使用Python语言可以用一行代码表示出来，不过得借助math库。

lambda s:1.0/(1+math.exp(-s))

每次感知机有输出的时候，内部参数(w)都需要被训练和调整，其训练算法如下：

学习率介于0和1之间，我们可以手动设置。算法本身很简单。

接下来，我们思考一下代码的实现：

首先，我们可以定义一个节点类Node用来表示一个神经元节点，从这个Node类可以进一步派生出输入节点类和输出节点类。我们可以认为每个节点Node都有一个输入节点列表。对于输入节点，它的输入节点列表就是空集[]。节点Node的默认激活函数是sigmoid函数。本来输入节点的职能就是把输入信号传递给输出层，不需要激活函数的，但是我们也可以把它视为一个M-P神经元，它的输入信号加权和为0（它本身就是输入层，不存在额外的输入，）将它的阈值theta视为他要传递给输出层的数值的相反数。将它的激活函数设置为f(x)=x。就可以等同于一个M-P神经元了。

代码实现

# coding:utf-8 import math def sigmoid(x): return 1.0/(1+math.exp(-x)) class Record:# 输入的一条训练数据 def __init__(self): feature_vector = []# 特征向量 label = None# 标签 return class Node: # 神经元节点 def __init__(self): self.input_list = []# 输入的神经元列表 self.activated = False# 这个神经元是否已经计算出输出信号 self.recent_output = None# 上一次的输出信号 self.threshold = 0.0# 阈值θ self.activation_func = lambda s: 1.0 / (1 + math.exp(-s)) # default func: sigmoid function return def add_input(self, node):# 添加输入结点 self.input_list.append([node, 1.0])# [结点对象，权重w] 权重默认为1 return def set_threshold(self, th):# 设置阈值θ self.threshold = th return def output(self):# 通过激活函数计算输出信号 sum_ = 0.0 for p in self.input_list: prev_node = p[0] sum_ += prev_node.output() * p[1] self.recent_output = self.activation_func(sum_ - self.threshold) return self.recent_output class InputNode(Node):# 神经元输入节点 def __init__(self): Node.__init__(self) self.activation_func = lambda s: s# 注意激活函数是 f(x)=x return def set_input_val(self, val): Node.set_threshold(self, -val)# 输入的结点列表为空，设置阈值为 -val return class OutputNode(Node):# 神经元输出节点 def __init__(self): Node.__init__(self) self.threshold = 4.0 return class NeuralNetwork:# 抽象神经网络 def __init__(self): self.eta = 0.5# 学习率η self.data_set = []# 输入的数据集，列表内的元素为 Record对象 def set_data_set(self, data_set_):# 设置数据集 self.data_set = data_set_ return class SingleLayerNeuralNetwork(NeuralNetwork):# 感知机模型 def __init__(self): NeuralNetwork.__init__(self) self.perceptron = OutputNode()# 一个输出结点 self.input_node_list = [] self.perceptron.threshold = 4.0 return def add_input_node(self):# 添加输入结点 inode = InputNode() self.input_node_list.append(inode) self.perceptron.add_input(inode) return def set_input(self, value_list):# 给每个输入结点设置输入数据 assert len(value_list) == len(self.input_node_list) for index in range(0, len(value_list), 1): value = value_list[index] node = self.input_node_list[index] node.set_input_val(value) return def adjust(self, label):# 每条记录训练后，自动调整内部参数w for prev_node_pair in self.perceptron.input_list: delta_weight = self.eta * (label - self.perceptron.recent_output) * prev_node_pair[0].recent_output origin_weight = prev_node_pair[1] prev_node_pair[1] = origin_weight + delta_weight return def run(self):# 开始跑训练集 for data in self.data_set:# 遍历训练集 self.set_input(data.feature_vector) record_ = self.perceptron.output() print record_ self.adjust(data.label)# 每条记录训练后，自动调整内部参数w return

现在让这个感知机来解决或问题(x∨y)，假设1表示真，0表示假，那么1和1进行或运算结果就是1，1和0进行或运算结果就是1,0和0进行或运算结果就是0。 输入数据如下（一条记录保存为一行，第一个和第二个数字是输入，第3个数字是标签。数据假设保存在E://data/ann/train_0.txt）：

1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 0 0 0

有了以上代码和数据后，用以下Python代码开始跑训练集：

file_handler = open('E://data/ann/train_0.txt') data_set = [] line = file_handler.readline() while line:# 遍历文件里的数据 record = Record() item_feature_vector = [] str_list = line.split() item_feature_vector.append(float(str_list[0])) item_feature_vector.append(float(str_list[1])) record.feature_vector = item_feature_vector record.label = float(str_list[2]) data_set.append(record) line = file_handler.readline() print len(data_set) ann = SingleLayerNeuralNetwork()# 实例化感知机对象 ann.add_input_node() ann.add_input_node()# 添加两个输入结点 ann.set_data_set(data_set)# 设置数据集 ann.run()# 等待结果

结果如下图所示：

一开始的输出可能有点不准确，但是随着数据的增多，输出变得越来越像训练数据的真实值，比较逼近与0.0或者逼近与1.0。

实际上感知机能解决的问题很少，为了解决复杂问题，需要引入多层神经网络和新的学习算法：BP误差逆传播算法。

本篇文章主要摘自:机器学习笔记-Python实现感知Perceptron)在此非常感谢！

参考资料:

机器学习笔记-Python实现感知Perceptron)在此非常感谢！

<完>

神经元代码实现

人生如棋，落子无悔！ -------By Ada