python学习

本章为这个博客的代码学习

感知器

map用法:

map(function, iterable, ...)
  • 参数:

function -- 函数

iterable -- 一个或多个序列

  • 返回值

Python 2.x 返回列表。

Python 3.x 返回迭代器

(所以用py3编写,map前要加list)

代码如下:

#coding=utf-8

from functools import reduce  # for py3

class Perceptron(object):
    def __init__(self, input_num, activator):
        '''
        初始化感知器,设置输入参数的个数,以及激活函数。
        激活函数的类型为double -> double
        '''
        self.activator = activator
        # 权重向量初始化为0
        self.weights = [0.0 for _ in range(input_num)]
        # 偏置项初始化为0
        self.bias = 0.0
    def __str__(self):
        '''
        打印学习到的权重、偏置项
        '''
        return 'weights\t:%s\nbias\t:%f\n' % (self.weights, self.bias)


    def predict(self, input_vec):
        '''
        输入向量,输出感知器的计算结果
        '''
        # 把input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]打包在一起
        # 变成[(x1,w1),(x2,w2),(x3,w3),...]
        # 然后利用map函数计算[x1*w1, x2*w2, x3*w3]
        # 最后利用reduce求和

        #list1 = list(self.weights)
        #print ("predict self.weights:", list1)

        
        return self.activator(
            reduce(lambda a, b: a + b,
                   list(map(lambda x: x[0] * x[1],   # HateMath修改
                       zip(input_vec, self.weights)))
                , 0.0) + self.bias)
    def train(self, input_vecs, labels, iteration, rate):
        '''
        输入训练数据:一组向量、与每个向量对应的label;以及训练轮数、学习率
        '''
        for i in range(iteration):
            self._one_iteration(input_vecs, labels, rate)

    def _one_iteration(self, input_vecs, labels, rate):
        '''
        一次迭代,把所有的训练数据过一遍
        '''
        # 把输入和输出打包在一起,成为样本的列表[(input_vec, label), ...]
        # 而每个训练样本是(input_vec, label)
        samples = zip(input_vecs, labels)
        # 对每个样本,按照感知器规则更新权重
        for (input_vec, label) in samples:
            # 计算感知器在当前权重下的输出
            output = self.predict(input_vec)
            # 更新权重
            self._update_weights(input_vec, output, label, rate)

    def _update_weights(self, input_vec, output, label, rate):
        '''
        按照感知器规则更新权重
        '''
        # 把input_vec[x1,x2,x3,...]和weights[w1,w2,w3,...]打包在一起
        # 变成[(x1,w1),(x2,w2),(x3,w3),...]
        # 然后利用感知器规则更新权重
        delta = label - output
        self.weights = list(map( lambda x: x[1] + rate * delta * x[0], zip(input_vec, self.weights)) ) # HateMath修改

        # 更新bias
        self.bias += rate * delta
 




def f(x):
    '''
    定义激活函数f
    '''
    return 1 if x > 0 else 0

def get_training_dataset():
    '''
    基于and真值表构建训练数据
    '''
    # 构建训练数据
    # 输入向量列表
    input_vecs = [[1,1], [0,0], [1,0], [0,1]]
    # 期望的输出列表,注意要与输入一一对应
    # [1,1] -> 1, [0,0] -> 0, [1,0] -> 0, [0,1] -> 0
    labels = [1, 0, 0, 0]
    return input_vecs, labels 
    
def train_and_perceptron():
    '''
    使用and真值表训练感知器
    '''
    # 创建感知器,输入参数个数为2(因为and是二元函数),激活函数为f
    p = Perceptron(2, f)
    # 训练,迭代10轮, 学习速率为0.1
    input_vecs, labels = get_training_dataset()
    p.train(input_vecs, labels, 10, 0.1)
    #返回训练好的感知器
    return p

if __name__ == '__main__': 
    # 训练and感知器
    and_perception = train_and_perceptron()
    # 打印训练获得的权重

    # 测试
    print (and_perception)
    print ('1 and 1 = %d' % and_perception.predict([1, 1]))
    print ('0 and 0 = %d' % and_perception.predict([0, 0]))
    print ('1 and 0 = %d' % and_perception.predict([1, 0]))
    print ('0 and 1 = %d' % and_perception.predict([0, 1]))

线性单元和梯度下降

线性单元和感知器,两者的模型和训练规则是一样的(在上表中,线性单元的优化算法是SGD算法)。那么,我们只需要把感知器的激活函数进行替换即可。引用感知器的代码即可!

from perceptron import Perceptron
#定义激活函数
f=lambda x:x
class LinearUnit(Perceptron):
    def __init__(self,input_num):
        '''
        初始化线性回归单元,设置输入参数的个数
        '''
        Perceptron.__init__(self,input_num,f)
    
    
def get_training_dataset():
    '''
    捏造5个人的收入数据
    '''
    #构建训练数据
    #输入向量列表,每一项是工作年限
    input_vecs=[[5],[3],[8],[1.4],[10.1]]
    #期望的输出列表,月薪,与工作年限一一对应
    labels=[5500,2300,7600,1800,11400]
    return input_vecs,labels

def train_linear_unit():
    '''
    使用数据训练线性单元
    '''
    #创建感知器,输入参数的特征数为1(工作年限)
    lu=LinearUnit(1)
    input_vecs,labels=get_training_dataset()
    lu.train(input_vecs,labels,10,0.01)
    return lu

if __name__=='__main__':
    '''
    训练线性单元
    '''
    linear_unit=train_linear_unit()
    #打印训练获得的权重
    print(linear_unit)
    #测试
    print ('Work 3.4 years, monthly salary = %.2f' % linear_unit.predict([3.4]))
    print ('Work 15 years, monthly salary = %.2f' % linear_unit.predict([15]))
    print ('Work 1.5 years, monthly salary = %.2f' % linear_unit.predict([1.5]))
    print ('Work 6.3 years, monthly salary = %.2f' % linear_unit.predict([6.3]))

代码交流 2020