python - 为训练创建单个感知器

Question

学习感知器是如何工作的，并试图从中创建一个功能。

我最近在youtube上观看了一段视频，作为对上述主题的介绍。

现在，我试图模仿他的功能，我想尝试将它应用到示例数据集中：

#         x1    x2  y
data = [ [3.5, 1.5, 1],
         [2.0, 1.0, 0],
         [4.0, 1.5, 1],
         [3.0, 1.0, 0],
         [3.5, 0.5, 1],
         [2.0, 0.5, 0],
         [5.5, 1.0, 1],
         [1.0, 1.0, 0],
         [4.5, 1.0, 1] ]

data = pd.DataFrame(data, columns = ["Length", "Width", "Class"])

Sigmoid函数：

def sigmoid(x):
    x = 1 / (1 + np.exp(-x))
    return x

感知器功能：

w1 = np.random.randn()
w2 = np.random.randn()
b = np.random.randn()

def perceptron(x1,x2, w1, w2, b):

    z = (w1 * x1) + (w2 * x2) + b

    return sigmoid(z)

我的问题是如何在感知器中添加成本函数并根据参数循环 n 次以使用成本函数调整权重？

def get_cost_slope(b,a):
    """
    b = predicted value
    a = actual value
    """

    sqrerror = (b - a) ** 2
    slope = 2 * (b-a)

    return sqrerror, slope

标签： pythonpython-3.xpandasneural-networkjupyter-notebook

Answer 1

您需要创建一个通过感知器反向传播并优化权重的方法。

def optimize( a , b ):

    sqrerror = (b - a) ** 2
    cost_deriv = 2 * (b-a)

    sigmoid_deriv = z * ( 1 - z ) # derivative of sigmoid function

    learning_rate = 0.001 # Used to scale the gradients

    w1 -= ( cost_deriv * sigmoid_deriv * x1 ) * learning_rate # Gradient Descent update rule
    w2 -= ( cost_deriv * sigmoid_deriv * x2 ) * learning_rate
    b -= ( cost_deriv * sigmoid_deriv ) * learning_rate

自从 ，

其中$J$ 是成本函数。