用感知机（Perceptron）实现逻辑AND功能的Python3代码，perceptronpython3,之所以写这篇随笔，是

用感知机（Perceptron）实现逻辑AND功能的Python3代码，perceptronpython3,之所以写这篇随笔，是

之所以写这篇随笔，是因为参考文章（见文尾）中的的代码是Python2的，放到Python3上无法运行，我花了些时间debug，并记录了调试经过。

参考文章中的代码主要有两处不兼容Python3，一个是lambda函数的使用，另一个是map()的使用。

先放我修改调试后的代码和运行结果，再记录调试经过。

源代码：

  1 #coding=utf-8  2   3 from functools import reduce  # for py3  4   5 class Perceptron(object):  6     def __init__(self, input_num, activator):  7         ‘‘‘  8         初始化感知器，设置输入参数的个数，以及激活函数。  9         激活函数的类型为double -> double 10         ‘‘‘ 11         self.activator = activator 12         # 权重向量初始化为0 13         self.weights = [0.0 for _ in range(input_num)] 14         # 偏置项初始化为0 15         self.bias = 0.0 16     def __str__(self): 17         ‘‘‘ 18         打印学习到的权重、偏置项 19         ‘‘‘ 20         return ‘weights\t:%s\nbias\t:%f\n‘ % (self.weights, self.bias) 21  22  23     def predict(self, input_vec): 24         ‘‘‘ 25         输入向量，输出感知器的计算结果 26         ‘‘‘ 27         # 把input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]打包在一起 28         # 变成[(x1,w1),(x2,w2),(x3,w3),...] 29         # 然后利用map函数计算[x1*w1, x2*w2, x3*w3] 30         # 最后利用reduce求和 31  32         #list1 = list(self.weights) 33         #print ("predict self.weights:", list1) 34  35          36         return self.activator( 37             reduce(lambda a, b: a + b, 38                    list(map(lambda tp: tp[0] * tp[1],   # HateMath修改 39                        zip(input_vec, self.weights))) 40                 , 0.0) + self.bias) 41     def train(self, input_vecs, labels, iteration, rate): 42         ‘‘‘ 43         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 44         ‘‘‘ 45         for i in range(iteration): 46             self._one_iteration(input_vecs, labels, rate) 47  48     def _one_iteration(self, input_vecs, labels, rate): 49         ‘‘‘ 50         一次迭代，把所有的训练数据过一遍 51         ‘‘‘ 52         # 把输入和输出打包在一起，成为样本的列表[(input_vec, label), ...] 53         # 而每个训练样本是(input_vec, label) 54         samples = zip(input_vecs, labels) 55         # 对每个样本，按照感知器规则更新权重 56         for (input_vec, label) in samples: 57             # 计算感知器在当前权重下的输出 58             output = self.predict(input_vec) 59             # 更新权重 60             self._update_weights(input_vec, output, label, rate) 61  62     def _update_weights(self, input_vec, output, label, rate): 63         ‘‘‘ 64         按照感知器规则更新权重 65         ‘‘‘ 66         # 把input_vec[x1,x2,x3,...]和weights[w1,w2,w3,...]打包在一起 67         # 变成[(x1,w1),(x2,w2),(x3,w3),...] 68         # 然后利用感知器规则更新权重 69         delta = label - output 70         self.weights = list(map( lambda tp: tp[1] + rate * delta * tp[0], zip(input_vec, self.weights)) ) # HateMath修改 71  72         # 更新bias 73         self.bias += rate * delta 74  75         print("_update_weights() -------------") 76         print("label - output = delta:" ,label, output, delta) 77         print("weights ", self.weights) 78         print("bias", self.bias) 79   80  81  82  83  84 def f(x): 85     ‘‘‘ 86     定义激活函数f 87     ‘‘‘ 88     return 1 if x > 0 else 0 89  90 def get_training_dataset(): 91     ‘‘‘ 92     基于and真值表构建训练数据 93     ‘‘‘ 94     # 构建训练数据 95     # 输入向量列表 96     input_vecs = [[1,1], [0,0], [1,0], [0,1]] 97     # 期望的输出列表，注意要与输入一一对应 98     # [1,1] -> 1, [0,0] -> 0, [1,0] -> 0, [0,1] -> 0 99     labels = [1, 0, 0, 0]100     return input_vecs, labels 101     102 def train_and_perceptron():103     ‘‘‘104     使用and真值表训练感知器105     ‘‘‘106     # 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f107     p = Perceptron(2, f)108     # 训练，迭代10轮, 学习速率为0.1109     input_vecs, labels = get_training_dataset()110     p.train(input_vecs, labels, 10, 0.1)111     #返回训练好的感知器112     return p113 114 if __name__ == ‘__main__‘: 115     # 训练and感知器116     and_perception = train_and_perceptron()117     # 打印训练获得的权重118 119     # 测试120     print (and_perception)121     print (‘1 and 1 = %d‘ % and_perception.predict([1, 1]))122     print (‘0 and 0 = %d‘ % and_perception.predict([0, 0]))123     print (‘1 and 0 = %d‘ % and_perception.predict([1, 0]))124     print (‘0 and 1 = %d‘ % and_perception.predict([0, 1]))

运行输出：

======================== RESTART: F:\桌面\Perceptron.py ========================_update_weights() -------------label - output = delta: 1 0 1weights  [0.1, 0.1]bias 0.1_update_weights() -------------label - output = delta: 0 1 -1weights  [0.1, 0.1]bias 0.0_update_weights() -------------label - output = delta: 0 1 -1weights  [0.0, 0.1]bias -0.1_update_weights() -------------label - output = delta: 0 0 0weights  [0.0, 0.1]bias -0.1_update_weights() -------------label - output = delta: 1 0 1weights  [0.1, 0.2]bias 0.0_update_weights() -------------label - output = delta: 0 0 0weights  [0.1, 0.2]bias 0.0_update_weights() -------------label - output = delta: 0 1 -1weights  [0.0, 0.2]bias -0.1_update_weights() -------------label - output = delta: 0 1 -1weights  [0.0, 0.1]bias -0.2_update_weights() -------------label - output = delta: 1 0 1weights  [0.1, 0.2]bias -0.1_update_weights() -------------label - output = delta: 0 0 0weights  [0.1, 0.2]bias -0.1_update_weights() -------------label - output = delta: 0 0 0weights  [0.1, 0.2]bias -0.1_update_weights() -------------label - output = delta: 0 1 -1weights  [0.1, 0.1]bias -0.2_update_weights() -------------label - output = delta: 1 0 1weights  [0.2, 0.2]bias -0.1_update_weights() -------------label - output = delta: 0 0 0weights  [0.2, 0.2]bias -0.1_update_weights() -------------label - output = delta: 0 1 -1weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 0 0 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 1 1 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 0 0 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 0 0 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 0 0 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 1 1 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 0 0 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 0 0 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 0 0 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 1 1 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 0 0 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 0 0 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 0 0 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 1 1 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 0 0 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 0 0 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 0 0 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 1 1 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 0 0 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 0 0 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 0 0 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 1 1 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 0 0 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 0 0 0weights  [0.1, 0.2]bias -0.2_update_weights() -------------label - output = delta: 0 0 0weights  [0.1, 0.2]bias -0.2weights    :[0.1, 0.2]bias    :-0.2000001 and 1 = 10 and 0 = 01 and 0 = 00 and 1 = 0

可以看到，最后训练出来的权重是[0.1, 0.2]，偏置 -0.2，根据感知机模型得到公式:f(x, y) = 0.1x + 0.2y -0.2

可以看到是个三维平面，这个平面实现了对样本中4个三维空间点分类。

调试经过：

1. lambda表达式的使用

第38和第70行中，原适用于Python2.7的代码无法正常运行，提示 invalid syntax。貌似是Python3中，在lambda表达式中使用元组的方式和Python2.7不一样。

我改了一下代码，语法问题没有了，可是预测结果不正常。于是就打印map()函数的返回值，试图调试。

2. 打印map()函数返回的对象

参见 https://www.cnblogs.com/lyy-totoro/p/7018597.html 的代码，先转为list再打印。

list1 = list(data)

print(list1)

打印输出表明，训练的值明显不对，到底是哪里的问题？

3. 真相【小】白

https://segmentfault.com/a/1190000000322433

关键句：在Python3中，如果不在map函数前加上list，lambda函数根本就不会执行。

于是加上list，就变成了最终的代码，工作正常。

只是“lambda函数根本就不会执行”这句，我没考证过，所以说真相小白。

原文链接：

零基础入门深度学习(1) - 感知器

https://www.zybuluo.com/hanbingtao/note/433855

用感知机（Perceptron）实现逻辑AND功能的Python3代码