用感知機（Perceptron）實現邏輯AND功能的Python3代碼
阿新 • • 發佈：2018-02-26
tar num print 在一起 最終 for %d __init__ 零基礎
之所以寫這篇隨筆，是因為參考文章（見文尾）中的的代碼是Python2的，放到Python3上無法運行，我花了些時間debug，並記錄了調試經過。
參考文章中的代碼主要有兩處不兼容Python3，一個是lambda函數的使用，另一個是map()的使用。
先放我修改調試後的代碼和運行結果，再記錄調試經過。
源代碼：
1 #coding=utf-8 2 3 from functools import reduce # for py3 4 5 class Perceptron(object): 6 def __init__(self, input_num, activator):7 ‘‘‘ 8 初始化感知器，設置輸入參數的個數，以及激活函數。 9 激活函數的類型為double -> double 10 ‘‘‘ 11 self.activator = activator 12 # 權重向量初始化為0 13 self.weights = [0.0 for _ in range(input_num)] 14 # 偏置項初始化為0 15 self.bias = 0.0 16 def __str__(self):17 ‘‘‘ 18 打印學習到的權重、偏置項 19 ‘‘‘ 20 return ‘weights\t:%s\nbias\t:%f\n‘ % (self.weights, self.bias) 21 22 23 def predict(self, input_vec): 24 ‘‘‘ 25 輸入向量，輸出感知器的計算結果 26 ‘‘‘ 27 # 把input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]打包在一起28 # 變成[(x1,w1),(x2,w2),(x3,w3),...] 29 # 然後利用map函數計算[x1*w1, x2*w2, x3*w3] 30 # 最後利用reduce求和 31 32 #list1 = list(self.weights) 33 #print ("predict self.weights:", list1) 34 35 36 return self.activator( 37 reduce(lambda a, b: a + b, 38 list(map(lambda tp: tp[0] * tp[1], # HateMath修改 39 zip(input_vec, self.weights))) 40 , 0.0) + self.bias) 41 def train(self, input_vecs, labels, iteration, rate): 42 ‘‘‘ 43 輸入訓練數據：一組向量、與每個向量對應的label；以及訓練輪數、學習率 44 ‘‘‘ 45 for i in range(iteration): 46 self._one_iteration(input_vecs, labels, rate) 47 48 def _one_iteration(self, input_vecs, labels, rate): 49 ‘‘‘ 50 一次叠代，把所有的訓練數據過一遍 51 ‘‘‘ 52 # 把輸入和輸出打包在一起，成為樣本的列表[(input_vec, label), ...] 53 # 而每個訓練樣本是(input_vec, label) 54 samples = zip(input_vecs, labels) 55 # 對每個樣本，按照感知器規則更新權重 56 for (input_vec, label) in samples: 57 # 計算感知器在當前權重下的輸出 58 output = self.predict(input_vec) 59 # 更新權重 60 self._update_weights(input_vec, output, label, rate) 61 62 def _update_weights(self, input_vec, output, label, rate): 63 ‘‘‘ 64 按照感知器規則更新權重 65 ‘‘‘ 66 # 把input_vec[x1,x2,x3,...]和weights[w1,w2,w3,...]打包在一起 67 # 變成[(x1,w1),(x2,w2),(x3,w3),...] 68 # 然後利用感知器規則更新權重 69 delta = label - output 70 self.weights = list(map( lambda tp: tp[1] + rate * delta * tp[0], zip(input_vec, self.weights)) ) # HateMath修改 71 72 # 更新bias 73 self.bias += rate * delta 74 75 print("_update_weights() -------------") 76 print("label - output = delta:" ,label, output, delta) 77 print("weights ", self.weights) 78 print("bias", self.bias) 79 80 81 82 83 84 def f(x): 85 ‘‘‘ 86 定義激活函數f 87 ‘‘‘ 88 return 1 if x > 0 else 0 89 90 def get_training_dataset(): 91 ‘‘‘ 92 基於and真值表構建訓練數據 93 ‘‘‘ 94 # 構建訓練數據 95 # 輸入向量列表 96 input_vecs = [[1,1], [0,0], [1,0], [0,1]] 97 # 期望的輸出列表，註意要與輸入一一對應 98 # [1,1] -> 1, [0,0] -> 0, [1,0] -> 0, [0,1] -> 0 99 labels = [1, 0, 0, 0] 100 return input_vecs, labels 101 102 def train_and_perceptron(): 103 ‘‘‘ 104 使用and真值表訓練感知器 105 ‘‘‘ 106 # 創建感知器，輸入參數個數為2（因為and是二元函數），激活函數為f 107 p = Perceptron(2, f) 108 # 訓練，叠代10輪, 學習速率為0.1 109 input_vecs, labels = get_training_dataset() 110 p.train(input_vecs, labels, 10, 0.1) 111 #返回訓練好的感知器 112 return p 113 114 if __name__ == ‘__main__‘: 115 # 訓練and感知器 116 and_perception = train_and_perceptron() 117 # 打印訓練獲得的權重 118 119 # 測試 120 print (and_perception) 121 print (‘1 and 1 = %d‘ % and_perception.predict([1, 1])) 122 print (‘0 and 0 = %d‘ % and_perception.predict([0, 0])) 123 print (‘1 and 0 = %d‘ % and_perception.predict([1, 0])) 124 print (‘0 and 1 = %d‘ % and_perception.predict([0, 1]))
運行輸出：
======================== RESTART: F:\桌面\Perceptron.py ======================== _update_weights() ------------- label - output = delta: 1 0 1 weights [0.1, 0.1] bias 0.1 _update_weights() ------------- label - output = delta: 0 1 -1 weights [0.1, 0.1] bias 0.0 _update_weights() ------------- label - output = delta: 0 1 -1 weights [0.0, 0.1] bias -0.1 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.0, 0.1] bias -0.1 _update_weights() ------------- label - output = delta: 1 0 1 weights [0.1, 0.2] bias 0.0 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.1, 0.2] bias 0.0 _update_weights() ------------- label - output = delta: 0 1 -1 weights [0.0, 0.2] bias -0.1 _update_weights() ------------- label - output = delta: 0 1 -1 weights [0.0, 0.1] bias -0.2 _update_weights() ------------- label - output = delta: 1 0 1 weights [0.1, 0.2] bias -0.1 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.1, 0.2] bias -0.1 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.1, 0.2] bias -0.1 _update_weights() ------------- label - output = delta: 0 1 -1 weights [0.1, 0.1] bias -0.2 _update_weights() ------------- label - output = delta: 1 0 1 weights [0.2, 0.2] bias -0.1 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.2, 0.2] bias -0.1 _update_weights() ------------- label - output = delta: 0 1 -1 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 1 1 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 1 1 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 1 1 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 1 1 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 1 1 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 1 1 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.1, 0.2] bias -0.2 _update_weights() ------------- label - output = delta: 0 0 0 weights [0.1, 0.2] bias -0.2 weights :[0.1, 0.2] bias :-0.200000 1 and 1 = 1 0 and 0 = 0 1 and 0 = 0 0 and 1 = 0
可以看到，最後訓練出來的權重是 [0.1, 0.2]，偏置 -0.2，根據感知機模型得到公式:f(x, y) = 0.1x + 0.2y -0.2
可以看到是個三維平面，這個平面實現了對樣本中4個三維空間點分類。
調試經過：
1. lambda表達式的使用
第38和第70行中，原適用於Python2.7的代碼無法正常運行，提示 invalid syntax。貌似是Python3中，在lambda表達式中使用元組的方式和Python2.7不一樣。
我改了一下代碼，語法問題沒有了，可是預測結果不正常。於是就打印map()函數的返回值，試圖調試。
2. 打印map()函數返回的對象
參見 https://www.cnblogs.com/lyy-totoro/p/7018597.html 的代碼，先轉為list再打印。
list1 = list(data)
print(list1)
打印輸出表明，訓練的值明顯不對，到底是哪裏的問題？
3. 真相【小】白
https://segmentfault.com/a/1190000000322433
關鍵句：在Python3中，如果不在map函數前加上list，lambda函數根本就不會執行。
於是加上list，就變成了最終的代碼，工作正常。
只是“lambda函數根本就不會執行”這句，我沒考證過，所以說真相小白。
原文鏈接：
零基礎入門深度學習(1) - 感知器
https://www.zybuluo.com/hanbingtao/note/433855
用感知機（Perceptron）實現邏輯AND功能的Python3代碼