【educoder】逻辑门的多层感知机实现

2024-07-08 11:00| 来源: 网络整理| 查看: 265

感知机是神经网络（深度学习）的起源的算法。感知机只对线性可分的数据有效。将感知机进行堆叠可以构造多层感知机。与感知机相比，多层感知机能够处理非线性可分的数据。下图展示了一个简单的感知机模型，其中x1,x2是输入，w1,w2是权重，y=w1x1+w2x2是输出。在这里插入图片描述本实训项目的主要目标是学习和掌握多层感知机的原理，主要内容包括使用感知机实现与、或和与非逻辑门，以及使用多层感知机实现异或逻辑门。

第1关：使用感知机实现与、或、与非逻辑门

本关任务：使用感知机实现与、或、与非逻辑门。编程要求：根据提示，在右侧编辑器中 Begin 和 End 之间补充代码，使用感知机实现与、或、与非逻辑门。

import numpy as np def mlp_and(x1, x2): r''' 使用感知机实现与逻辑门。参数： - x1: int (0 or 1) - x2: int (0 or 1) 输出： - y: int (0 or 1) y = x1 and x2 ''' ########## Begin ########## w1,w2,theta = 0.5,0.5,0.7 tmp = x1*w1 + x2*w2 if tmp theta: return 1 ########## End ########## def mlp_or(x1, x2): r''' 使用感知机实现或逻辑门。参数： - x1: int (0 or 1) - x2: int (0 or 1) 输出： - y: int (0 or 1) y = x1 or x2 ''' ########## Begin ########## w1,w2,theta = 0.5,0.5,0.2 tmp = x1*w1 + x2*w2 if tmp theta: return 1 ########## End ########## def mlp_nand(x1, x2): r''' 使用感知机实现与非逻辑门。参数： - x1: int (0 or 1) - x2: int (0 or 1) 输出： - y: int (0 or 1) y = x1 nand x2 ''' ########## Begin ########## w1,w2,theta = -0.5,-0.5,-0.7 tmp = x1*w1 + x2*w2 if tmp theta: return 1 ########## End ########## 第2关：使用多层感知机实现异或逻辑门

本关任务：使用多层感知机实现异或逻辑门。编程要求：根据提示，在右侧编辑器中 Begin 和 End 之间补充代码，使用感知机实现异或逻辑门。实训已经提供了一组mlp_and、mlp_or和mlp_nand的实现，你需要利用它们实现mlp_xor。

import numpy as np def mlp_and(x1, x2): x = np.array([x1, x2]).astype(np.float32) weight = np.array([0.5, 0.5]).astype(np.float32) bias = -0.7 y = np.dot(weight, x) + bias if y

【本文地址】

公司简介

联系我们