[PYTHON] La fondation de la fondation Perceptron

introduction

Quand je me demandais quoi étudier à l'avenir, j'ai pensé que je devrais acquérir des connaissances liées à l'IA. Je garderai l'historique d'apprentissage dans Qiita. De la même manière, j'espère que cela aidera ceux qui essaient d'apprendre l'apprentissage automatique.

environnement

OS:windows 10 python3

À propos de Perceptron

Forme de base

Le Perceptron reçoit plusieurs signaux en tant que valeurs d'entrée et les émet vers un seul signal. L'image est comme la création d'un flux de signaux et la transmission d'informations vers la destination de sortie. On peut dire que le signal de Perceptron est "0" ou "1" avec deux choix de couler / ne pas couler. La figure ci-dessous montre un exemple de Perceptron à 2 entrées et 1 sortie.

x_1,x_2 =signal d'entrée\\
w_1,w_2 =poids\\
y=Signal de sortie

Chaque fois que le signal d'entrée est envoyé à un neurone, il est multiplié par un poids unique. 1 est émis lorsque le total dépasse une certaine valeur limite. C'est ce qu'on appelle le ** déclenchement des neurones **. Cette valeur limite sera utilisée comme valeur seuil à l'avenir. (Formule inférieure)

\theta =Seuil

Ce qui précède peut être résumé et exprimé dans la formule ci-dessous.

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

Perceptron a un poids pour chacun des multiples signaux d'entrée, et on peut voir que plus le poids est élevé, plus les informations sont importantes.

biais

Le biais est un paramètre qui ajuste la facilité de déclenchement des neurones. (Réglage du degré de sortie "1") La figure et la formule sont affichées ci-dessous.

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

Comme le montre l'équation ci-dessus, la somme du signal d'entrée, de la valeur pondérée et du biais dépasse-t-elle 0? Vous pouvez voir que la valeur de sortie peut être contrôlée en fonction de cela.

Essayez de mettre en œuvre

Je vais l'exécuter en Python avec les pondérations et les biais appropriés.

1-1perceptron_and_bias.py

# coding: utf-8
import numpy as np

#Valeur d'entrée
x=np.array([0,1])

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

#Valeur d'entrée
b = -0.7

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

Résultat d'exécution

[0.  0.5]
-0.19999999999999996

J'ai pu utiliser un biais pour définir le résultat en dessous de 0.

Résumé

Je pense que ce sera une bonne sortie si vous vous en souvenez en l'exécutant en Python. Dans le domaine de l'apprentissage automatique, nous continuerons de le mettre à jour car ce n'est pas la pointe de l'iceberg.