深度学习入门 : 基于Python的理论与实现

  第 2章　感知机

26

也可以实现与非门和或门，不过让我们来对它们的实现稍作修改。

2.3.2

　导入权重和偏置

刚才的与门的实现比较直接、容易理解，但是考虑到以后的事情，我们

将其修改为另外一种实现形式。在此之前，首先把式（2.1）的

θ

换成

−

b，于

是就可以用式（2.2）来表示感知机的行为。

（2.2）

式（2.1）和 式（2.2）虽然有一个符号不同，但表达的内容是完全相同的。

此处，b 称为偏置，w

1

和 w

2

称为权重。 如 式（2.2）所示，感知机会计算输入

信号和权重的乘积，然后加上偏置，如果这个值大于 0 则输出1，否则输出 0。

下面，我们使用

NumPy

， 按 式（2.2）的方式实现感知机。在这个过程中，我

们用

Python

的解释器逐一确认结果。

>>> import numpy as np

>>> x = np.array([0, 1]) #

输入

>>> w = np.array([0.5, 0.5]) #

权重

>>> b = -0.7 #

偏置

>>> w*x

array([ 0. , 0.5])

>>> np.sum(w*x)

0.5

>>> np.sum(w*x) + b

-0.19999999999999996 #

大约为

-0.2

（由浮点小数造成的运算误差）

如上例所示，在

NumPy

数组的乘法运算中，当两个数组的元素个数相同时，

各个元素分别相乘，因此

w*x

的结果就是它们的各个元素分别相乘（

[0, 1] *

[0.5, 0.5] => [0, 0.5]

）。 之 后 ，

np.sum(w*x)

再计算相乘后的各个元素的总和 ...