1、逻辑“与”问题反向传播：寻找合适的w1，w2，b以及激活函数sgn。前向传播：根据输入x1,x2,w1，w2，b以及激活函数sgn。计算输出Y值。预测过程#代码路径:/第3章/逻辑“与”问题/and.pyimport numpy as npdef f(z):if(z 0):return 1 else:return 0W=np.array(0.5,0.5)X=np.array(0,0,0,1,1,0,1,1)Y=0,0,0,1Ytest=np.matmul(X,W.T)-0.8print(Ytest)text=np.ones(len(Y),1)for i in range(0,4):texti=
2、f(Ytesti)i+=1print(text)结果输出：-0.8-0.3-0.30.20.0.0.1.感知器参数预测与训练使用感知器的原理训练算法：将权重项和偏置项初始化为0，然后，利用下面的感知器规则迭代地修改w和b，直到训练完成。其中：t是训练样本的实际值，一般称之为标签label。而y是感知器的输出值。是一个称为学习速率的常数#代码路径:/第3章/逻辑“与”问题/and_train.py几位家长猜测学校评判三好学生的规则Guess?三好学生问题的引入学校评选三好学生的规则总分总分 =德育德育分分 *72%72%+智育分智育分*20%+体育分体育分*8%8%家长不知道这个规则！家长们对问
3、题的归纳 已知学校一定是以德育分、智育分和体育分三项分数的总分来确定三好学生的计算总分时，三项分数应该有各自的权重系数各自孩子的三项分数都已经知道，总分也已经知道 未知经过家长们的分析，只有三项分数各自乘以的权重系数是未知的问题演变成 求解方程式 w1x+w2y+w3z=A 中的三个w即权重其中，x、y、z、A分别对应几位学生的德育分、智育分、体育分和总分已知权重系数据，进行计算是预测根据数据与标签结果得到权重系数是训练三好学生权重，计算输出假设已经知道权重：德育德育分分权重w1=0.72智育分智育分权重w2=0.20体育分体育分权重w3=0.08某个同学的分数：成绩成绩分分=80智育分智育分
4、=90体育分体育分=70 x1=80 x2=90 x3=70w1=0.72w2=0.20w3=0.08n1=x1*w1n2=x2*w2n3=x3*w3y=n1+n2+n3print(y)#81.19999999999999result=0if y 80:result=0 print(是三好学生是三好学生)else:result=1 print(不是三好学生不是三好学生)使用神经网络来尝试解决该问题使用图中的神经网络来表达该问题输入层(Input Layer)隐藏层(Hidden Layer)输出层(Output Layer)X1X2X3*W1*W2*W3yn1n2n3输入节点即德智体三项分数输
5、出节点即总分隐藏层的神经元节点使用神经网络来尝试解决该问题使用图中的神经网络来表达该问题输入层(Input Layer)隐藏层(Hidden Layer)输出层(Output Layer)X1X2X3*W1*W2yn1输入节点即德智体三项分数输出节点即总分隐藏层的神经元节点体育特长生权重，计算输出假设已经知道权重：德育德育分分权重w1=0.5智育分智育分权重w2=0.1体育分体育分权重w3=0.4某个同学的分数：成绩成绩分分=80智育分智育分=60体育分体育分=90 x1=80 x2=60 x3=90w1=0.5w2=0.1w3=0.4n1=x1*w1n2=x2*w2n3=x3*w3y=n1+
6、n2+n3print(y)#82result=0if y 80:result=0 print(是体育生是体育生)else:result=1 print(不是体育生不是体育生)使用神经网络来尝试解决该问题使用图中的神经网络来表达该问题输入层(Input Layer)隐藏层(Hidden Layer)输出层(Output Layer)X1X2X3*W1*W2*W3yn1n2n3输入节点即德智体三项分数y体育生三好学生使用激活函数后的神经网络模型注意在输出结果y前使用sigmoid函数使其保证取值在0、1之间，达到非线性化效果深度神经网络DNN指深度神经网络，是指有多个隐含层的神经网络。DNN有时也
7、叫做多层感知机。DNN内部的神经网络层可以分为三类，输入层，隐藏层和输出层,一般来说第一层是输入层，最后一层是输出层，而中间的层数都是隐藏层。全连接网络，是指前一层的每个神经元会都与下一层的全部神经元连接。神经网络从x1,x2,x3输入到输出的过程，最左边的输入层，两个隐藏层和最右边的输出层。三好学生体育生艺术生神经元在神经网络的世界中，如果隐藏层为一层，就是单层神经网络，这是最简单的神经网络；如果有多层，则为多层感知机。多层感知器是很多层神经网络组成，可以分为输入层，隐藏层，输出层，每一层由很多个神经元组成。多层感知机激活函数sigmoid&激活函数是神经网络中主要用于去线性化的函数&sig
8、moid函数的作用是把参数转换成为0到1之间的一个小数注意收敛速度是很快的，也就是说非0非1的区间很小数据与标签数据：对应的输入特征向量标签：对应的标注输出监督学习和无监督学习监督学习和无监督学习已知权重参数进行预测过程#代码路径:/第3章/三好学生问题/predict.py#训练参数初始化w1=0.72w2=0.20w3=0.08b=0print(weight:,w1,w2,w3,b)input_value=80,90,70print(predict=%f%predict(input_value)在这个代码中，定义对应的权重参数w1，w2，w3，偏置b，并设置对应的权重w=0.72,0.20
9、,0.08，当输入值input_value=80,90,70后运行程序得到：predict=81.200000。数据集产生#代码路径:/第3章/三好学生问题/gen_data.pyimport randomfp=open(./sanhao_chengji.txt,w,encoding=utf-8)def calc_label(x1,x2,x3):w1=0.72 w2=0.20 w3=0.08 n1=x1*w1 n2=x2*w2 n3=x3*w3 y=n1+n2+n3 return int(y)for i in range(1000):x1=random.randint(30,100)x2=random.randint(30,100)x3=random.randint(30,100)label=calc_label(x1,x2,x3)#cntlabel+=1fp.write(0 1 2 3n.format(x1,x2,x3,label)fp.close()
