TensorFlow实现单层感知机详解

简单感知机是一个单层神经网络。它使用阈值激活函数,正如 Marvin Minsky 在论文中所证明的,它只能解决线性可分的问题。虽然这限制了单层感知机只能应用于线性可分问题,但它具有学习能力已经很好了。

当感知机使用阈值激活函数时,不能使用 TensorFlow 优化器来更新权重。我们将不得不使用权重更新规则:



TensorFlow实现单层感知机详解

 

η 是学习率。为了简化编程,当输入固定为 +1 时,偏置可以作为一个额外的权重。那么,上面的公式可以用来同时更新权重和偏置。

下面讨论如何实现单层感知机:

  1. 导入所需的模块:


    TensorFlow实现单层感知机详解

     
  2. 定义要使用的超参数:


    TensorFlow实现单层感知机详解

     
  3. 指定训练数据。在这个例子中,取三个输入神经元(A,B,C)并训练它学习逻辑 AB+BC:


    TensorFlow实现单层感知机详解

     
  4. 定义要用到的变量和用于计算更新的计算图,最后执行计算图:


    TensorFlow实现单层感知机详解

     
  5. 以下是上述代码的输出:


那么,如果使用 Sigmoid 激活函数,而不是阈值激活函数,会发生什么?你猜对了,首先,可以使用 TensorFlow 优化器来更新权重。其次,网络将表现得像逻辑回归。

匿名

发表评论

匿名网友