（1）Deep Learning之感知器

What is deep learning？

在人工智能领域，有一个方法叫机器学习。在机器学习这个方法里，有一类算法叫神经网络。神经网络如下图所示：

上图中每个圆圈都是一个神经元，每条线表示神经元之间的连接。我们可以看到，上面的神经元被分成了多层，层与层之间的神经元有连接，而层内之间的神经元没有连接。最左边的层叫做输入层，这层负责接收输入数据；最右边的层叫输出层，我们可以从这层获取神经网络输出数据。输入层和输出层之间的层叫做隐藏层。

隐藏层比较多（大于2）的神经网络叫做深度神经网络。而深度学习，就是使用深层架构（比如，深度神经网络）的机器学习方法。

那么深层网络和浅层网络相比有什么优势呢？简单来说深层网络能够表达力更强。事实上，一个仅有一个隐藏层的神经网络就能拟合任何一个函数，但是它需要很多很多的神经元。而深层网络用少得多的神经元就能拟合同样的函数。也就是为了拟合一个函数，要么使用一个浅而宽的网络，要么使用一个深而窄的网络。而后者往往更节约资源。

深层网络也有劣势，就是它不太容易训练。简单的说，你需要大量的数据，很多的技巧才能训练好一个深层网络。这是个手艺活。

感知器

为了理解神经网络，我们应该先理解神经网络的组成单元——神经元。神经元也叫做感知器。感知器算法在上个世纪50-70年代很流行，也成功解决了很多问题。并且，感知器算法也是非常简单的。

感知器的定义

下图是一个感知器：

可以看到，一个感知器有如下组成部分：

用一个简单的例子来帮助理解：

例子：用感知器实现and函数

我们设计一个感知器，让它来实现and运算。程序员都知道，and是一个二元函数（带有两个参数和），下面是它的真值表：

为了计算方便，我们用0表示false，用1表示true。这没什么难理解的，对于C语言程序员来说，这是天经地义的。

例子：用感知器实现or函数

同样，我们也可以用感知器来实现or运算。仅仅需要把偏置项b的值设置为-0.3就可以了。我们验算一下，下面是or运算的真值表：

感知器还能做什么

事实上，感知器不仅仅能实现简单的布尔运算。它可以拟合任何的线性函数，任何线性分类或线性回归问题都可以用感知器来解决。前面的布尔运算可以看作是二分类问题，即给定一个输入，输出0（属于分类0）或1（属于分类1）。如下面所示，and运算是一个线性分类问题，即可以用一条直线把分类0（false，红叉表示）和分类1（true，绿点表示）分开。

然而，感知器却不能实现异或运算，如下图所示，异或运算不是线性的，你无法用一条直线把分类0和分类1分开。

感知器的训练

每次从训练数据中取出一个样本的输入向量x，使用感知器计算其输出y，再根据上面的规则来调整权重。每处理一个样本就调整一次权重。经过多轮迭代后（即全部的训练数据被反复处理多轮），就可以训练出感知器的权重，使之实现目标函数。

编程实战：实现感知器

完整代码请参考GitHub: https://github.com/hanbt/learn_dl/blob/master/perceptron.py (python2.7)

对于程序员来说，没有什么比亲自动手实现学得更快了，而且，很多时候一行代码抵得上千言万语。接下来我们就将实现一个感知器。

下面是一些说明：

• 使用python语言。python在机器学习领域用的很广泛，而且，写python程序真的很轻松。
• 面向对象编程。面向对象是特别好的管理复杂度的工具，应对复杂问题时，用面向对象设计方法很容易将复杂问题拆解为多个简单问题，从而解救我们的大脑。
• 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。

 class Perceptron(object):
     def __init__(self, input_num, activator):
         '''
         初始化感知器，设置输入参数的个数，以及激活函数。
         激活函数的类型为double -> double
         '''
         self.activator = activator
         # 权重向量初始化为0
         self.weights = [0.0 for _ in range(input_num)]
         # 偏置项初始化为0
         self.bias = 0.0
     def __str__(self):
         '''
         打印学习到的权重、偏置项
         '''
         return 'weights\t:%s\nbias\t:%f\n' % (self.weights, self.bias)
     def predict(self, input_vec):
         '''
         输入向量，输出感知器的计算结果
         '''
         # 把input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]打包在一起
         # 变成[(x1,w1),(x2,w2),(x3,w3),...]
         # 然后利用map函数计算[x1*w1, x2*w2, x3*w3]
         # 最后利用reduce求和
         return self.activator(
             reduce(lambda a, b: a + b,
                    map(lambda (x, w): x * w,
                        zip(input_vec, self.weights))
                 , 0.0) + self.bias)
     def train(self, input_vecs, labels, iteration, rate):
         '''
         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
         '''
         for i in range(iteration):
             self._one_iteration(input_vecs, labels, rate)
     def _one_iteration(self, input_vecs, labels, rate):
         '''
         一次迭代，把所有的训练数据过一遍
         '''
         # 把输入和输出打包在一起，成为样本的列表[(input_vec, label), ...]
         # 而每个训练样本是(input_vec, label)
         samples = zip(input_vecs, labels)
         # 对每个样本，按照感知器规则更新权重
         for (input_vec, label) in samples:
             # 计算感知器在当前权重下的输出
             output = self.predict(input_vec)
             # 更新权重
             self._update_weights(input_vec, output, label, rate)
     def _update_weights(self, input_vec, output, label, rate):
         '''
         按照感知器规则更新权重
         '''
         # 把input_vec[x1,x2,x3,...]和weights[w1,w2,w3,...]打包在一起
         # 变成[(x1,w1),(x2,w2),(x3,w3),...]
         # 然后利用感知器规则更新权重
         delta = label - output
         self.weights = map(
             lambda (x, w): w + rate * delta * x,
             zip(input_vec, self.weights))
         # 更新bias
         self.bias += rate * delta

接下来，我们利用这个感知器类去实现and函数。

 def f(x):
     '''
     定义激活函数f
     '''
     return 1 if x > 0 else 0
 def get_training_dataset():
     '''
     基于and真值表构建训练数据
     '''
     # 构建训练数据
     # 输入向量列表
     input_vecs = [[1,1], [0,0], [1,0], [0,1]]
     # 期望的输出列表，注意要与输入一一对应
     # [1,1] -> 1, [0,0] -> 0, [1,0] -> 0, [0,1] -> 0
     labels = [1, 0, 0, 0]
     return input_vecs, labels
 def train_and_perceptron():
     '''
     使用and真值表训练感知器
     '''
     # 创建感知器，输入参数个数为2（因为and是二元函数），激活函数为f
     p = Perceptron(2, f)
     # 训练，迭代10轮, 学习速率为0.1
     input_vecs, labels = get_training_dataset()
     p.train(input_vecs, labels, 10, 0.1)
     #返回训练好的感知器
     return p
 if __name__ == '__main__':
     # 训练and感知器
     and_perception = train_and_perceptron()
     # 打印训练获得的权重
     print and_perception
     # 测试
     print '1 and 1 = %d' % and_perception.predict([1, 1])
     print '0 and 0 = %d' % and_perception.predict([0, 0])
     print '1 and 0 = %d' % and_perception.predict([1, 0])
     print '0 and 1 = %d' % and_perception.predict([0, 1])

将上述程序保存为perceptron.py文件，通过命令行执行这个程序，其运行结果为：

附完整代码：

 #!/usr/bin/env python
 # -*- coding: UTF-8 -*-

 class Perceptron(object):
     def __init__(self, input_num, activator):
         '''
         初始化感知器，设置输入参数的个数，以及激活函数。
         激活函数的类型为double -> double
         '''
         self.activator = activator
         # 权重向量初始化为0
         self.weights = [0.0 for _ in range(input_num)]
         # 偏置项初始化为0
         self.bias = 0.0

     def __str__(self):
         '''
         打印学习到的权重、偏置项
         '''
         return 'weights\t:%s\nbias\t:%f\n' % (self.weights, self.bias)

     def predict(self, input_vec):
         '''
         输入向量，输出感知器的计算结果
         '''
         # 把input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]打包在一起
         # 变成[(x1,w1),(x2,w2),(x3,w3),...]
         # 然后利用map函数计算[x1*w1, x2*w2, x3*w3]
         # 最后利用reduce求和
         return self.activator(
             reduce(lambda a, b: a + b,
                    map(lambda (x, w): x * w,
                        zip(input_vec, self.weights))
                 , 0.0) + self.bias)

     def train(self, input_vecs, labels, iteration, rate):
         '''
         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
         '''
         for i in range(iteration):
             self._one_iteration(input_vecs, labels, rate)

     def _one_iteration(self, input_vecs, labels, rate):
         '''
         一次迭代，把所有的训练数据过一遍
         '''
         # 把输入和输出打包在一起，成为样本的列表[(input_vec, label), ...]
         # 而每个训练样本是(input_vec, label)
         samples = zip(input_vecs, labels)
         # 对每个样本，按照感知器规则更新权重
         for (input_vec, label) in samples:
             # 计算感知器在当前权重下的输出
             output = self.predict(input_vec)
             # 更新权重
             self._update_weights(input_vec, output, label, rate)

     def _update_weights(self, input_vec, output, label, rate):
         '''
         按照感知器规则更新权重
         '''
         # 把input_vec[x1,x2,x3,...]和weights[w1,w2,w3,...]打包在一起
         # 变成[(x1,w1),(x2,w2),(x3,w3),...]
         # 然后利用感知器规则更新权重
         delta = label - output
         self.weights = map(
             lambda (x, w): w + rate * delta * x,
             zip(input_vec, self.weights))
         # 更新bias
         self.bias += rate * delta

 def f(x):
     '''
     定义激活函数f
     '''
     return 1 if x > 0 else 0

 def get_training_dataset():
     '''
     基于and真值表构建训练数据
     '''
     # 构建训练数据
     # 输入向量列表
     input_vecs = [[1,1], [0,0], [1,0], [0,1]]
     # 期望的输出列表，注意要与输入一一对应
     # [1,1] -> 1, [0,0] -> 0, [1,0] -> 0, [0,1] -> 0
     labels = [1, 0, 0, 0]
     return input_vecs, labels    

 def train_and_perceptron():
     '''
     使用and真值表训练感知器
     '''
     # 创建感知器，输入参数个数为2（因为and是二元函数），激活函数为f
     p = Perceptron(2, f)
     # 训练，迭代10轮, 学习速率为0.1
     input_vecs, labels = get_training_dataset()
     p.train(input_vecs, labels, 10, 0.1)
     #返回训练好的感知器
     return p

 if __name__ == '__main__':
     # 训练and感知器
     and_perception = train_and_perceptron()
     # 打印训练获得的权重
     print and_perception
     # 测试
     print '1 and 1 = %d' % and_perception.predict([1, 1])
     print '0 and 0 = %d' % and_perception.predict([0, 0])
     print '1 and 0 = %d' % and_perception.predict([1, 0])
     print '0 and 1 = %d' % and_perception.predict([0, 1])