[PYTHON] Die Gründung der Perceptron-Stiftung

Einführung

Als ich mich fragte, was ich in Zukunft studieren sollte, dachte ich, ich sollte AI-bezogenes Wissen erwerben. Ich werde die Lerngeschichte in Qiita behalten. Ebenso hoffe ich, dass es denen hilft, die versuchen, maschinelles Lernen zu lernen.

Umgebung

OS:windows 10 python3

Über Perceptron

Grundform

Das Perceptron empfängt mehrere Signale als Eingangswerte und gibt sie an ein einziges Signal aus. Das Bild ist wie das Erstellen eines Signalflusses und das Übertragen von Informationen zum Ausgabeziel. Es kann gesagt werden, dass das Signal von Perceptron "0" oder "1" ist, wobei zwei Möglichkeiten zum Fließen / Nichtfließen bestehen. Die folgende Abbildung zeigt ein Beispiel für ein Perceptron mit 2 Eingängen und 1 Ausgang.

x_1,x_2 =Eingangssignal\\
w_1,w_2 =Gewicht\\
y=Ausgangssignal

Jedes Mal, wenn das Eingangssignal an ein Neuron gesendet wird, wird es mit einem eindeutigen Gewicht multipliziert. 1 wird ausgegeben, wenn die Summe einen bestimmten Grenzwert überschreitet. Dies nennt man ** Neuronen feuern **. Dieser Grenzwert wird zukünftig als Schwellenwert verwendet. (Untere Formel)

\theta =Schwelle

Das Obige kann in der folgenden Formel zusammengefasst und ausgedrückt werden.

f(x) = \left\{
\begin{array}{ll}
1 & (w1x1 + w2x2 \, > \, \theta) \\
0 & (w1x1 + w2x2 \, \leqq \, \theta)
\end{array}
\right.

Perceptron hat ein Gewicht für jedes der mehreren Eingangssignale, und es ist ersichtlich, dass je größer das Gewicht, desto wichtiger die Information.

vorspannen

Die Vorspannung ist ein Parameter, der die Leichtigkeit des Feuers von Neuronen anpasst. (Einstellung des Ausgabegrades "1") Die Abbildung und Formel werden unten angezeigt.

\Ersetzen Sie Theta durch b\\ 
f(x) = \left\{
\begin{array}{ll}
1 & (w1x1 + w2x2 \, > \, b) \\
0 & (w1x1 + w2x2 \, \leqq \, b)
\end{array}
\right.
\\Überleitung\\ 
f(x) = \left\{
\begin{array}{ll}
1 & (b+w1x1 + w2x2 \, > \, 0) \\
0 & (b+w1x1 + w2x2 \, \leqq \, 0)
\end{array}
\right.

Wie die obige Gleichung zeigt, überschreitet die Summe des Eingangssignals, des gewichteten Werts und der Vorspannung 0? Sie können sehen, dass der Ausgabewert basierend darauf gesteuert werden kann.

Versuchen Sie zu implementieren

Ich werde es in Python mit den entsprechenden Gewichten und Vorurteilen ausführen.

1-1perceptron_and_bias.py

# coding: utf-8
import numpy as np

#Eingegebener Wert
x=np.array([0,1])

#Gewicht
w = np.array([0.5, 0.5])

#Eingegebener Wert
b = -0.7

print(x * w)
print(np.sum(x * w)+b)

Ausführungsergebnis

[0.  0.5]
-0.19999999999999996

Ich konnte eine Verzerrung verwenden, um das Ergebnis unter 0 zu setzen.

Zusammenfassung

Ich denke, dass es eine gute Ausgabe sein wird, wenn Sie sich daran erinnern, während Sie es in Python ausführen. Im Bereich des maschinellen Lernens werden wir es weiter aktualisieren, da es nicht die Spitze des Eisbergs ist.