2位二进制输入与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元分类器的监督学习算法。感知器模型实现以下函数：

    $\[ \begin{array}{c} \hat{y}=\Theta\left(w_{1} x_{1}+w_{2} x_{2}+\ldots+w_{n} x_{n}+b\right) \\ =\Theta(\mathbf{w} \cdot \mathbf{x}+b) \\ \text { where } \Theta(v)=\left\{\begin{array}{cc} 1 & \text { if } v \geqslant 0 \\ 0 & \text { otherwise } \end{array}\right. \end{array} \]$

对于权重向量的特定选择$$\boldsymbol{w}$$和偏置参数$$\boldsymbol{b}$$ ，模型预测输出$$\boldsymbol{\hat{y}}$$对于相应的输入向量$$\boldsymbol{x}$$ .

2位二进制变量的AND逻辑函数真值表，即输入向量$$\boldsymbol{x} : (\boldsymbol{x_{1}}, \boldsymbol{x_{2}})$$和相应的输出$$\boldsymbol{y}$$ –

$$\boldsymbol{x_{1}}$$	$$\boldsymbol{x_{2}}$$	$$\boldsymbol{y}$$
0	0	0
0	1	0
1	0	0
1	1	1

现在对于相应的权重向量$$\boldsymbol{w} : (\boldsymbol{w_{1}}, \boldsymbol{w_{2}})$$输入向量的$$\boldsymbol{x} : (\boldsymbol{x_{1}}, \boldsymbol{x_{2}})$$ ，相关的感知函数可以定义为：

    $\[$\boldsymbol{\hat{y}} = \Theta\left(w_{1} x_{1}+w_{2} x_{2}+b\right)$\]$

对于实现，考虑的权重参数是$$\boldsymbol{w_{1}} = 1, \boldsymbol{w_{2}} = 1$$偏置参数为$$\boldsymbol{b} = -1.5$$ .

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
  
# AND Logic Function
# w1 = 1, w2 = 1, b = -1.5
def AND_logicFunction(x):
    w = np.array([1, 1])
    b = -1.5
    return perceptronModel(x, w, b)
  
# testing the Perceptron Model
test1 = np.array([0, 1])
test2 = np.array([1, 1])
test3 = np.array([0, 0])
test4 = np.array([1, 0])
  
print("AND({}, {}) = {}".format(0, 1, AND_logicFunction(test1)))
print("AND({}, {}) = {}".format(1, 1, AND_logicFunction(test2)))
print("AND({}, {}) = {}".format(0, 0, AND_logicFunction(test3)))
print("AND({}, {}) = {}".format(1, 0, AND_logicFunction(test4)))

输出：

AND(0, 1) = 0
AND(1, 1) = 1
AND(0, 0) = 0
AND(1, 0) = 0

这里，模型预测输出（ $$\boldsymbol{\hat{y}}$$ ) 每个测试输入都与 AND 逻辑门常规输出 ( $$\boldsymbol{y}$$ ) 根据 2 位二进制输入的真值表。
因此，验证了与逻辑门的感知器算法是正确实现的。