Perceptron.py

[yongyixiao]

我用python3版本的进行编写，把lambda (x, w): x w改成python所需的这个形式lambda x_w: x_w[0] x_w[1]还有其他一些需要改动的，但执行出来结果却时不一样的，这是为什么，然后我再换成python2版本又可以的了

[codingcaiji]

老铁，你代码调出来没有，我也是用的python3，运行结果跟你的一模一样，不知道哪里出了问题，求指点啊？

[Alan-Mo]

用2to3.py工具将python2代码转为python3即可

[codingcaiji]

额，我试试，按理说变化并不大啊，转完之后和你自己改写的主要差别在哪里啊？我刚刚在用断点调试感觉应该是函数没写对，训练到第一轮之后值就不变化了。。。

[codingcaiji]

感谢楼主贴的问题，博主的代码没问题，在经过3楼的提醒我找到了问题所在，原来在python3中map()和zip()函数返回的是一个对象而不再是像python2的list； 解决方案有两种：一是直接在map函数外面套一个list()取出结果列表；二是用list comperhension 方法改写map函数 # python 3.5.2 l1 = [1,2,3,4] l2 = [2,4,5,6] r = map(lambda x:x[0]*x[1],zip(l1,l2)) print(r) print(list(r))

`<map object at 0x0000000002D341D0>
[2, 8, 15, 24

[JeffChau0503]

我用了楼上的方法，发现依然无效啊 我用的是python3

[seap]

python3

#!/usr/bin/env python3
# -*- coding: UTF-8 -*-
from functools import reduce

class Perceptron(object):
    def __init__(self, input_num, activator):
        '''
        初始化感知器，设置输入参数的个数，以及激活函数。
        激活函数的类型为double -> double
        '''
        self.activator = activator
        # 权重向量初始化为0
        self.weights = [0.0 for _ in range(input_num)]
        # 偏置项初始化为0
        self.bias = 0.0

    def __str__(self):
        '''
        打印学习到的权重、偏置项
        '''
        return 'weights\t:%s\nbias\t:%f\n' % (self.weights, self.bias)

    def predict(self, input_vec):
        '''
        输入向量，输出感知器的计算结果
        '''
        # 把input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]打包在一起
        # 变成[(x1,w1),(x2,w2),(x3,w3),...]
        # 然后利用map函数计算[x1*w1, x2*w2, x3*w3]
        # 最后利用reduce求和
        return self.activator(
            reduce(lambda a, b: a + b,
                   map(lambda x: x[0] * x[1],
                       zip(input_vec, self.weights)), 0.0) + self.bias)

    def train(self, input_vecs, labels, iteration, rate):
        '''
        输入训练数据：一组向量、与每个向量对应的label；以及训练轮数、学习率
        '''
        for _ in range(iteration):
            self._one_iteration(input_vecs, labels, rate)

    def _one_iteration(self, input_vecs, labels, rate):
        '''
        一次迭代，把所有的训练数据过一遍
        '''
        # 把输入和输出打包在一起，成为样本的列表[(input_vec, label), ...]
        # 而每个训练样本是(input_vec, label)
        samples = list(zip(input_vecs, labels))
        # 对每个样本，按照感知器规则更新权重
        for t in samples:
            # 计算感知器在当前权重下的输出
            output = self.predict(t[0])
            # 更新权重
            self._update_weights(t[0], output, t[1], rate)

    def _update_weights(self, input_vec, output, label, rate):
        '''
        按照感知器规则更新权重
        '''
        # 把input_vec[x1,x2,x3,...]和weights[w1,w2,w3,...]打包在一起
        # 变成[(x1,w1),(x2,w2),(x3,w3),...]
        # 然后利用感知器规则更新权重
        delta = label - output
        self.weights = list(map(
            lambda x: x[1] + rate * delta * x[0],
            zip(input_vec, self.weights)))
        # 更新bias
        self.bias += rate * delta

def f(x):
    '''
    定义激活函数f
    '''
    return 1 if x > 0 else 0

def get_training_dataset():
    '''
    基于and真值表构建训练数据
    '''
    # 构建训练数据
    # 输入向量列表
    input_vecs = [[1, 1], [0, 0], [1, 0], [0, 1]]
    # 期望的输出列表，注意要与输入一一对应
    # [1,1] -> 1, [0,0] -> 0, [1,0] -> 0, [0,1] -> 0
    labels = [1, 0, 0, 0]
    return input_vecs, labels

def train_and_perceptron():
    '''
    使用and真值表训练感知器
    '''
    # 创建感知器，输入参数个数为2（因为and是二元函数），激活函数为f
    p = Perceptron(2, f)
    # 训练，迭代10轮, 学习速率为0.1
    input_vecs, labels = get_training_dataset()
    p.train(input_vecs, labels, 10, 0.1)
    # 返回训练好的感知器
    return p

if __name__ == '__main__':
    # 训练and感知器
    and_perception = train_and_perceptron()
    # 打印训练获得的权重
    print(and_perception)
    # 测试
    print('1 and 1 = %d' % and_perception.predict([1, 1]))
    print('0 and 0 = %d' % and_perception.predict([0, 0]))
    print('1 and 0 = %d' % and_perception.predict([1, 0]))
    print('0 and 1 = %d' % and_perception.predict([0, 1]))