• 没有使用numpy。numpy实现了很多基础算法，对于实现机器学习算法来说是个必备的工具。但为了降低读者理解
的难度，下面的代码只用到了基本的python（省去您去学习numpy的时间）。
下面是感知器类的实现，非常简单。去掉注释只有27行，而且还包括为了美观（每行不超过60个字符）而增加的很多换
行。
1. class Perceptron(object):
2. def __init__(self, input_num, activator):
3. '''
4. 初始化感知器，设置输入参数的个数，以及激活函数。
5. 激活函数的类型为double -> double
6. '''
7. self.activator = activator
8. #
权重向量初始化为
0
9. self.weights = [0.0 for _ in range(input_num)]
10. #
偏置项初始化为
0
11. self.bias = 0.0
12.
13. def __str__(self):
14. '''
15. 打印学习到的权重、偏置项
16. '''
17. return 'weights\t:%s\nbias\t:%f\n' % (self.weights, self.bias)
18.
19.
20. def predict(self, input_vec):
21. '''
22. 输入向量，输出感知器的计算结果
23. '''
24. #
把
input_vec[x1,x2,x3...]
和
weights[w1,w2,w3,...]
打包在一起
25. #
变成
[(x1,w1),(x2,w2),(x3,w3),...]
26. #
然后利用
map
函数计算
[x1*w1, x2*w2, x3*w3]
27. #
最后利用
reduce
求和
28. return self.activator(
29. reduce(lambda a, b: a + b,
30. map(lambda (x, w): x * w,
31. zip(input_vec, self.weights))
32. , 0.0) + self.bias)
33.
34. def train(self, input_vecs, labels, iteration, rate):
35. '''
36. 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
37. '''
38. for i in range(iteration):
39. self._one_iteration(input_vecs, labels, rate)
40.
41. def _one_iteration(self, input_vecs, labels, rate):
42. '''
43. 一次迭代，把所有的训练数据过一遍
44. '''
45. #
把输入和输出打包在一起，成为样本的列表
[(input_vec, label), ...]
46. #
而每个训练样本是
(input_vec, label)
47. samples = zip(input_vecs, labels)
48. #
对每个样本，按照感知器规则更新权重
49. for (input_vec, label) in samples:
50. #
计算感知器在当前权重下的输出
51. output = self.predict(input_vec)
52. #
更新权重
53. self._update_weights(input_vec, output, label, rate)
54.
55. def _update_weights(self, input_vec, output, label, rate):
56. '''
57. 按照感知器规则更新权重
58. '''
59. #
把
input_vec[x1,x2,x3,...]
和
weights[w1,w2,w3,...]
打包在一起
60. #
变成
[(x1,w1),(x2,w2),(x3,w3),...]
61. #
然后利用感知器规则更新权重
62. delta = label - output
63. self.weights = map(
64. lambda (x, w): w + rate * delta * x,
65. zip(input_vec, self.weights))
66. #
更新
bias
67. self.bias += rate * delta
接下来，我们利用这个感知器类去实现and函数。
1. def f(x):
2. '''
3. 定义激活函数f
4. '''
5. return 1 if x > 0 else 0
6.
7.
