Python从头开始实现感知器

感知器是一种简单的人工神经网络模型，在机器学习领域具有重要地位。本文将使用Python从头开始实现一个感知器。

我们需要明确感知器的基本原理。感知器接收多个输入，每个输入都有对应的权重，将输入与权重相乘后求和，再通过激活函数得到输出。常见的激活函数是阶跃函数，当求和结果大于某个阈值时，输出为1，否则为0。

接下来，我们用Python代码来实现感知器。首先定义感知器类：

class Perceptron:
    def __init__(self, num_inputs):
        self.weights = [0] * num_inputs
        self.bias = 0

    def activate(self, weighted_sum):
        return 1 if weighted_sum >= 0 else 0

    def predict(self, inputs):
        weighted_sum = sum(w * x for w, x in zip(self.weights, inputs)) + self.bias
        return self.activate(weighted_sum)

    def train(self, training_data, learning_rate, epochs):
        for epoch in range(epochs):
            for inputs, target in training_data:
                prediction = self.predict(inputs)
                error = target - prediction
                self.weights = [w + learning_rate * error * x for w, x in zip(self.weights, inputs)]
                self.bias += learning_rate * error

在上述代码中，__init__方法初始化权重和偏置，activate方法实现激活函数，predict方法用于预测输出，train方法用于训练感知器。

然后，我们可以使用以下方式来测试感知器：

training_data = [([1, 1], 1), ([1, 0], 0), ([0, 1], 0), ([0, 0], 0)]
perceptron = Perceptron(2)
perceptron.train(training_data, learning_rate=0.1, epochs=100)

test_data = [[1, 1], [1, 0], [0, 1], [0, 0]]
for data in test_data:
    print(perceptron.predict(data))

通过以上代码，我们成功实现了一个简单的感知器。在实际应用中，可以根据具体问题调整训练数据、学习率和训练轮数等参数，以获得更好的性能。

通过Python从头实现感知器，能让我们更深入地理解其工作原理和应用方式，为进一步探索机器学习领域打下坚实基础。