感知机和线性单元的C#版本

本文的原版Python代码参考了以下文章：

零基础入门深度学习(1) - 感知器

零基础入门深度学习(2) - 线性单元和梯度下降

在机器学习如火如荼的时代，Python大行其道，几乎所有的机器学习的程序都是Python写的。

.Net的机器学习库有，但是非常少，Tensorflow也暂时并不支持.Net.

写这篇文章的目的，也只是想尝试一下，通过将Python的源代码改写成Net来更加深入的理解感知机的原理。

毕竟在改写的时候，每一行代码都必须研究一下，很多知识是无法混过去的。

感知机的模型其实就这么简单，本文也不是深度学习的科普，所以具体不解释。

（题外话 .Net Core 暂时没有System.Math的支持，对于一些简单的机器学习，改写起来没有问题，但是稍微复杂一些就无能为力了。）

一个感知机的代码大概是这个样子的，这里矩阵的实现还是很原始的List<List>的方法不知道是否有其他写法。

代码的话，如果你看了上面的文章，就很容易理解了。

文章只有标题，因为我不知道我看到的是不是原文，所以请大家自行百度。

using System;
using System.Collections.Generic;

public class Perceptron
{

    private float bias = 0.0f;

    private List<float> weights = new List<float>();

    private Func<float, float> activator;

    public Perceptron(int input_num, Func<float, float> Activator)
    {
        for (int i = 0; i < input_num; i++)
        {
            weights.Add(0.0f);
        }

        activator = Activator;

        bias = 0.0f;
    }

    public override string ToString()
    {
        var s = "weights:";
        foreach (var weight in weights)
        {
            s += weight + System.Environment.NewLine;
        }
        s += "bias:" + this.bias;
        return s;
    }

    public float Predict(List<float> input_vec)
    {
        //这里规定向量长度和权重长度相等
        float sum = 0.0f;
        for (int i = 0; i < weights.Count; i++)
        {
            sum += input_vec[i] * weights[i];
        }
        //偏置项
        sum += bias;
        return activator(sum);
    }

    public void train(List<List<float>> Input_vecs, List<float> labels, int interation, float rate)
    {
        for (int i = 0; i < interation; i++)
        {
            one_iteration(Input_vecs, labels, rate);
        }
    }

    private void one_iteration(List<List<float>> Input_vecs, List<float> labels, float rate)
    {
        for (int i = 0; i < labels.Count; i++)
        {
            var output = Predict(Input_vecs[i]);
            update_weights(Input_vecs[i], output, labels[i], rate);
        }
    }

    private void update_weights(List<float> input_vec, float output, float label, float rate)
    {
        var delta = label - output;
        for (int i = 0; i < weights.Count; i++)
        {
            weights[i] += rate * delta * input_vec[i];
        }
        //更新bias
        bias += rate * delta;
    }

}

测试代码如下：

AndDemo是通过感知机模拟一个AND函数，LinearUnitDemo则是模拟一个线性单元函数。

using System;
using System.Collections.Generic;

namespace CSharp
{
    class Program
    {
        static void Main(string[] args)
        {
            AndDemo();
            LinearUnitDemo();
        }

        static void LinearUnitDemo()
        {
            Func<float, float> activator = (x) => { return x; };
            Perceptron p = new Perceptron(1, activator);
            List<List<float>> Input_vecs = new List<List<float>>();
            Input_vecs.Add(new List<float>());
            Input_vecs.Add(new List<float>());
            Input_vecs.Add(new List<float>());
            Input_vecs.Add(new List<float>());
            Input_vecs.Add(new List<float>());
            Input_vecs[0].Add(5);
            Input_vecs[1].Add(3);
            Input_vecs[2].Add(8);
            Input_vecs[3].Add(1.4f);
            Input_vecs[4].Add(10.1f);

            List<float> labels = new List<float>();
            labels.Add(5500);
            labels.Add(2300);
            labels.Add(7600);
            labels.Add(1800);
            labels.Add(11400);
            p.train(Input_vecs, labels, 50, 0.01f);

            System.Console.WriteLine(p.ToString());

            System.Console.WriteLine(Input_vecs[0][0] + " years: " + p.Predict(Input_vecs[0]));
            System.Console.WriteLine(Input_vecs[1][0] + " years: " + p.Predict(Input_vecs[1]));
            System.Console.WriteLine(Input_vecs[2][0] + " years: " + p.Predict(Input_vecs[2]));
            System.Console.WriteLine(Input_vecs[3][0] + " years: " + p.Predict(Input_vecs[3]));
            System.Console.WriteLine(Input_vecs[4][0] + " years: " + p.Predict(Input_vecs[4]));
        }

        static void AndDemo()
        {

            Func<float, float> activator = (x) => { return x > 0 ? 1.0f : 0.0f; };
            Perceptron p = new Perceptron(2, activator);
            List<List<float>> Input_vecs = new List<List<float>>();
            Input_vecs.Add(new List<float>());
            Input_vecs.Add(new List<float>());
            Input_vecs.Add(new List<float>());
            Input_vecs.Add(new List<float>());
            Input_vecs[0].Add(1);
            Input_vecs[0].Add(1);
            Input_vecs[1].Add(0);
            Input_vecs[1].Add(0);

            Input_vecs[2].Add(1);
            Input_vecs[2].Add(0);
            Input_vecs[3].Add(0);
            Input_vecs[3].Add(1);

            List<float> labels = new List<float>();
            labels.Add(1);
            labels.Add(0);
            labels.Add(0);
            labels.Add(0);
            p.train(Input_vecs, labels, 10, 0.1f);

            System.Console.WriteLine(p.ToString());
            System.Console.WriteLine("1 and 1 =" + p.Predict(Input_vecs[0]));
            System.Console.WriteLine("0 and 0 =" + p.Predict(Input_vecs[1]));
            System.Console.WriteLine("1 and 0 =" + p.Predict(Input_vecs[2]));
            System.Console.WriteLine("0 and 1 =" + p.Predict(Input_vecs[3]));

        }
    }
}

对于机器学习感兴趣的同学可以关注一下微信号 "TensorFlow教室" 一起学习机器学习，深度学习，自然语言处理。