【火炉炼AI】深度学习001-神经网络的基本单元-感知器

(本文所使用的Python库和版本号: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 )

在人工智能领域，深度学习已经脱颖而出，越来越成为大型复杂问题的首选解决方案。深度学习相对传统机器学习的区别主要在于，使用模拟人类大脑的神经网络来构建模型。早期的浅层次神经网络也可以认为是机器学习领域的一个分支，但是目前，由于神经网络的层次不断加深，参数越来越复杂，能够的解决实际问题越来越多，研究神经网络，特别是深度神经网络的文章越来越多，故而深度学习被划分到一个单独的分支中。

1. 感知器简介

为了更好的理解神经网络，我们首先来看看神经网络的基本组成单元-神经元，神经元是生物学的术语，在计算机领域，我们称之为感知器。

感知器是一种早期的神经网络模型，由美国学者F.Rosenblatt于1957年提出.感知器中第一次引入了学习的概念，使人脑所具备的学习功能在基于符号处理的数学到了一定程度模拟，所以引起了广泛的关注。

感知器的结构：

1，输入：一个感知器有一个或多个输入，用于接收特征数值。

1，权重：每个输入都有一个权重，表示该输入对结果的影响力。

2，偏置：虽然权重能够表示该输入对结果的影响力，但为了更好的拟合结果，有时还需要对输入进行左右移动，即平行地增大或减小，故而有了偏置。

3，输出：经过计算后会给出一个或多个输出。

通俗一点来理解，感知器就像一个复杂一点的函数y=f(u,v)，其中的u,v就是输入的特征数值，f表示权重和偏置的组合方式，也就是计算过程，y为输出。所以可以用下列公式来表示感知器。

其中的x表示输入，w为权重，sita为偏置，f则为激活函数，v为输出。所以，完全可以将感知器理解成一个复杂一点的函数。

2. 感知器的训练

如果我们要用一条直线拟合一系列数据，假设该直线的方程为y=a*x+b，那么，我们要做的就是计算出最合适的a和b即可。同理，由于感知器的函数中有两个未知变量（权重和偏置），故而，我们要做的就是计算出最合适的权重和偏置，这一计算过程就是感知器的训练。

感知器的训练是基于感知器规则的，感知器规则认为，如果样本输入函数是线性可分的，那么感知器学习算法经过有限次迭代之后，便可以收敛得到正确的权值和偏置，也就是说，不管开始时权重和偏置是多少，经过N次迭代后，总能得到唯一的确定的权重和唯一的确定的偏置。这也就是为什么我们在初始时设置权重和偏置为随机数或0的原因。

感知器的训练过程可以简单概括为：在训练时，每次从训练数据中取出一个样本的输入向量，使用感知器计算其输出，再根据感知器规则来调整权重。每处理一个样本就调整一次权重。经过多轮迭代后（即全部的训练数据被反复处理多轮），就可以训练出感知器的权重，使之实现目标函数。

关于感知器的数学推导和基本理论，可以参考博文：

那么，从代码上如何训练感知器了？运行下列代码之前，请先通过pip install neurolab来安装neurolab模块。

首先准备数据集，并将数据集的分布情况显示出来，这部分代码太简单，可以直接看代码。

# 建立感知器模型import neurolab as nlperceptron = nl.net.newp([[dataset_X[:,0].min(),dataset_X[:,0].max()], # 指定特征1的最小和最大值                          [dataset_X[:,1].min(),dataset_X[:,1].max()]], # 特征2的min和max                          1) # 只有1个感知器# 为了适合于train，需要将dataset_y处理成二维dataset_y=dataset_y[:,np.newaxis]cost=perceptron.train(dataset_X,dataset_y,epochs=50,show=10,lr=0.01) # 训练该单个感知器，50个回合，每10个回合显示一下训练结果，学习速率为0.01# 显示下训练过程中cost的变化趋势plt.plot(cost)plt.xlabel('Number of epochs')plt.ylabel('Training cost')plt.grid()plt.title('Training cost progress')复制代码

########################小**********结###############################

1，感知器方面主要是理解其基本的含义和理论知识，因为感知器是神经网络的基本组成单元。

2，感知器的训练在以后的深度学习中用处不大，一般成熟的深度学习框架都已经整合了这部分内容，此处仅仅用于演示。

#################################################################

注：本部分代码已经全部上传到（）上，欢迎下载。

参考资料:

1, Python机器学习经典实例，Prateek Joshi著，陶俊杰，陈小莉译