非线性门控感知器算法的实现与应用分析

原文:https://www . geeksforgeeks . org/非逻辑门感知器算法的实现/

在机器学习领域，感知器是一种用于二进制分类器的监督学习算法。感知器模型实现以下功能:

对于权重向量和偏差参数的特定选择，模型预测相应输入向量的输出。

NOT 逻辑函数真值表只有 1 位二进制输入(0 或 1)，即输入向量和相应的输出–

Zero	one
one	Zero

现在对于输入向量的相应权重向量，关联的感知器函数可以定义为:

为实现，考虑的权重参数为，偏差参数为。

Python 实现:

# importing Python library
import numpy as np
# define Unit Step Function
def unitStep(v):
    if v >= 0:
        return 1
    else:
        return 0
# design Perceptron Model
def perceptronModel(x, w, b):
    v = np.dot(w, x) + b
    y = unitStep(v)
    return y
# NOT Logic Function
# w = -1, b = 0.5
def NOT_logicFunction(x):
    w = -1
    b = 0.5
    return perceptronModel(x, w, b)
# testing the Perceptron Model
test1 = np.array(1)
test2 = np.array(0)
print("NOT({}) = {}".format(1, NOT_logicFunction(test1)))
print("NOT({}) = {}".format(0, NOT_logicFunction(test2)))


Output:

NOT(1) = 0
NOT(0) = 1


这里，根据真值表，每个测试输入的模型预测输出()与非逻辑门常规输出()精确匹配。
由此验证了非逻辑门的感知器算法是正确实现的。