[PYTHON] Machen Sie eine Logikschaltung mit Perceptron (Multilayer Perceptron)
Dieser Artikel ist ein Lernmemo von Deep Learning von Grund auf neu.
Der Punkt
--Perceptron ist ein Algorithmus, der mehrere Signale als Ein- und Ausgangssignale empfängt. Wenn "Bias" und "Weight" als Parameter eingestellt sind und eine bestimmte Eingabe gegeben wird, wird ein fester Wert ausgegeben. "Bias" ist ein Parameter, der die Zündfreundlichkeit steuert. "Gewicht" ist ein Parameter, der die Wichtigkeit jeder Eingabe steuert.
- Das UND-Element, das NAND-Element und das ODER-Element der Logikschaltung können durch ein (einschichtiges) Perzeptron ausgedrückt werden. --XOR-Elemente können durch Kombinieren von AND-Elementen, NAND-Elementen und OR-Elementen erstellt werden. → Was mit einer einzelnen Schicht nicht ausgedrückt werden konnte, kann jetzt mit einem mehrschichtigen Perzeptron ausgedrückt werden.
Ausdruck für Perceptron
\begin{eqnarray}
y=\left\{ \begin{array}{ll}
0 & (b + w_1 x_1 + w_2 x_2 \leqq 0) \\
1 & (b + w_1 x_1 + w_2 x_2 \gt 0) \\
\end{array} \right.
\end{eqnarray}
- X1, x2: Eingabe w1, w2: Gewicht b: Vorspannung
Implementierung einer Logikschaltung mit Perceptron
perceptron.py
import numpy as np
# x1,x2:Eingabe w1,w2:Gewicht b:vorspannen
def perceptron(x1,x2,w1,w2,b):
x = np.array([x1, x2])
w = np.array([w1, w2])
tmp = np.sum(w*x) + b
return 0 if tmp <= 0 else 1
def AND(x1,x2):
return perceptron(x1,x2,0.5,0.5,-0.7)
def NAND(x1,x2):
return perceptron(x1,x2,-0.5,-0.5,0.7)
def OR(x1,x2):
return perceptron(x1,x2,0.5,0.5,0.0)
def XOR(x1,x2):
#Mehrschichtiges Perceptron
s1 = NAND(x1,x2)
s2 = OR(x1,x2)
y = AND(s1,s2)
return y
#Überprüfen Sie den Vorgang unten
print("AND")
print(AND(0,0)) # 0
print(AND(0,1)) # 0
print(AND(1,0)) # 0
print(AND(1,1)) # 1
print("NAND")
print(NAND(0,0)) # 1
print(NAND(0,1)) # 1
print(NAND(1,0)) # 1
print(NAND(1,1)) # 0
print("OR")
print(OR(0,0)) # 0
print(OR(0,1)) # 1
print(OR(1,0)) # 1
print(OR(1,1)) # 1
print("XOR")
print(XOR(0,0)) # 0
print(XOR(0,1)) # 1
print(XOR(1,0)) # 1
print(XOR(1,1)) # 0
Recommended Posts