前言

人工智能的第一次高潮始于上世紀(jì)50年代。在算法方面，感知器數(shù)學(xué)模型被提出用于模擬人的神經(jīng)元反應(yīng)過(guò)程，并能夠使用梯度下降法從訓(xùn)練樣本中自動(dòng)學(xué)習(xí)，完成分類任務(wù)。

感知器

感知器算法在上個(gè)世紀(jì)50-70年代很流行，也成功解決了很多問(wèn)題。并且，感知器算法也是非常簡(jiǎn)單的。

• 感知器的定義

  感知器示意圖：
  

python實(shí)現(xiàn)感知器

• 環(huán)境
• Ubuntu16.04 LTS
• python 3.x
• numpy
• 代碼實(shí)現(xiàn)
• perception.py

測(cè)試

這里有我自己整理了一套最新的python系統(tǒng)學(xué)習(xí)教程，包括從基礎(chǔ)的python腳本到web開(kāi)發(fā)、 爬蟲(chóng)、數(shù)據(jù)分析、數(shù)據(jù)可視化、機(jī)器學(xué)習(xí)等。 小編這里推薦加小編的python學(xué)習(xí)群：895,817, 687def f(x):'''定義激活函數(shù)f'''return 1 if x > 0 else 0def get_training_dataset():# 構(gòu)建訓(xùn)練數(shù)據(jù)# 輸入向量列表input_vecs = [[[1,1,1], [1,1,1]], [[0,0,0],[0,0,0]], [[1,1,1],[0,0,0]], [[0,0,0],[1,1,1]]]# 對(duì)應(yīng)的標(biāo)簽為labels = [1, 0, 0, 0]return input_vecs, labels def train_perceptron():'''訓(xùn)練感知器'''# 創(chuàng)建感知器，輸入?yún)?shù)個(gè)數(shù)為2，維度為3，激活函數(shù)為fp = Perceptron(2, 3, f)# 訓(xùn)練，迭代100輪, 學(xué)習(xí)率為0.05input_vecs, labels = get_training_dataset()p.train(input_vecs, labels, 100, 0.05)# 打印訓(xùn)練獲得的權(quán)重p.print_weights()return pif __name__ == '__main__': # 訓(xùn)練感知器perception = train_perceptron()# 測(cè)試res = perception.predict([[1,0,0], [1,1,1]]) print(‘classification:’， res)

運(yùn)行結(jié)果

總結(jié)

以上是生活随笔為你收集整理的AI实战：从入门到精通系列——用感知器实现情感分类（一）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。