目录

一、基础理论

1、单词感知器介绍 

2、单词感知器学习规则

前向传递（得到输出y） 

反向传递（更新权重w）

二、实现单层感知器

1、初始参数设置 

2、正向传播（得到输出y）

3、 反向传播（更新权重参数）

总代码

---

一、基础理论

1、单词感知器介绍 

感知器：模拟生物神经网络的人工神经网络结构。

w：权值，可以调节神经信号输入值的大小。

b：偏置，相当于神经元内部自带的信号。 

f(x)：激活函数，信号进行线性/非线性变化。（有sign、sigmoid、relu等等激活函数）

例：

一个典型的激活函数：sign(x)：当x>0时，输出为1；当x=0时，输出为0，当x=-1时，输出为-1。

（把最开始的单层感知器的偏置值b变成了输入w0*x0，w0*x0实际上就是w0）

2、单词感知器学习规则

感知器学习规则：感知器中的权重参数w训练方法。

前向传递（得到输出y） 

（b是偏置） 

反向传递（更新权重w）

更新权重： 

二、实现单层感知器

1、初始参数设置 

先设置初始参数，输入、权重、偏置、正确标签、学习率等等。

# 输入
x0, x1, x2 = 2, 4, 7
# 初始权重
w0, w1, w2 = 3, 5, 6
# 偏置
b = 1
# 标签（正确标签，训练结束的目标）
true = -1
# 学习率(即yingta)
lr = 1

（犯了一个愚蠢的错误，sign函数最后的结果只有-1和1两个值，我居然设置了一个12的标签，自然永远都不可能满足要求）

2、正向传播（得到输出y）

# 开始训练（正向、反向传播）
for i in range(100):
    # 2、正向传播：求输出y
    # 这里选用sign激活函数
    y = np.sign(w0*x0+w1*x1+w2*x2)
    print(w0, w1, w2)
    print(y)

3、 反向传播（更新权重参数）

# 3、反向传播：更新权重参数
    # 如果没有达到训练目标，更新w权重
    if y != true:
        w0 += lr * (true - y) * x0
        w1 += lr * (true - y) * x1
        w2 += lr * (true - y) * x2
    else:
        print('训练成功！y = ', y)
        break

 换一组数据：

 （可以看出来，数据越大，需要训练的次数越多）

总代码

# 手写单层感知器
import numpy as np

# 1、设置初始参数
# 输入
x0, x1, x2 = 2, 4, 7
# 初始权重
w0, w1, w2 = 13, 15, 16
# 偏置
b = 1
# 标签（正确标签，训练结束的目标）
true = -1
# 学习率(即yingta)
lr = 1

# 开始训练（正向、反向传播）
for i in range(100):
    # 2、正向传播：求输出y
    # 这里选用sign激活函数
    y = np.sign(w0*x0+w1*x1+w2*x2)
    print(w0, w1, w2)
    print(y)

    # 3、反向传播：更新权重参数
    # 如果没有达到训练目标，更新w权重
    if y != true:
        w0 += lr * (true - y) * x0
        w1 += lr * (true - y) * x1
        w2 += lr * (true - y) * x2
    else:
        print('训练成功！y = ', y)
        break