概要：感知器是人工神經網路中的一種典型結構，它可以被視為一種最簡單形式的前饋式人工神經網路，是一種二元線性分類器，把矩陣上的輸入（實數值向量）對映到輸出值 f(x)上（一個二元的值）。

用感知器實現 and 函式
程式碼：

class Perceptron(object):
    def __init__(self, num, activator):
        '''
           初始化感知器，設定輸入引數的個數，以及啟用函式。
           啟用函式的型別為double -> double
       '''
        self.activator = activator
        #權重向量初始化為 0
 

        self.weights = [0.0 for _ in range(num)]
        self.bias = 0

    def __str__(self):
        '''
             列印學習到的權重、偏置項bias
        '''
        return 'weight: %s\n  bias: %f\n' % (self.weights, self.bias)

    def predict(self, input_vec):
        '''
            輸入向量，輸出感知器的計算結果
        '''
 

        # 利用map函式計算[x1*w1, x2*w2, x3*w3], 然後轉化為列表
        # 最後利用 sum 求和

        return self.activator(
            sum(
                list(
                    map(
                        lambda x, y: x*y,
                        self.weights, input_vec
                    )
                )
            )
            + self.bias
        )
        #return self.activator(sum(tmp))

    def train(self, input_vecs, labels, iterations, rate):
        '''
           輸入訓練資料：一組向量、與每個向量對應的label；以及訓練輪數、學習率
        '''
        for _ in range(iterations):
            self._one_iteration(input_vecs, labels, rate)

    def _one_iteration(self, input_vecs, labels, rate):
        '''
            一次迭代，把所有的訓練資料過一遍
       '''
        # 把輸入和輸出打包在一起，成為樣本的列表[(input_vec, label), ...]
        # 而每個訓練樣本是(input_vec, label)
        samples = zip(input_vecs, labels)
        # 對於每個樣本，按照感知器規則更新權重
        for input_vec, label in samples:
            output = self.predict(input_vec)
            self._update_weights(input_vec, output, label, rate)

    def _update_weights(self, input_vec, output, label, rate):
        ''''
            按照感知器規則，更新權重
        '''
        delta = label - output
        self.weights = list(
            map(
                lambda x, y: x + y*rate*delta,
                self.weights, input_vec
            )
        )
        self.bias += rate * delta
''''
    以下程式碼為實現 and 函式
'''

def activate(x):
    if x > 0:
        return 1
    return 0

def get_train_dataset():
    #構建訓練資料
    input_vecs = [ [0, 0], [0, 1], [1, 0], [1, 1] ]  #訓練資料
    labels = [0, 0, 0, 1] #輸出列表
    return  input_vecs, labels

def train_data():
    # 建立一個感知器
    perceptron = Perceptron(2, activate)

    input_vecs, labels = get_train_dataset()
    # 訓練資料，然後迭代 20 輪，學習速率為 0.1
    perceptron.train(input_vecs, labels, 20, 0.1)
    return  perceptron

result = train_data()
print(result)

#測試真值表
print('1 and 1 = %d' % result.predict([1, 1]))
print('0 and 0 = %d' % result.predict([0, 0]))
print('1 and 0 = %d' % result.predict([1, 0]))
print('0 and 1 = %d' % result.predict([0, 1]))