用感知机（Perceptron）实现逻辑AND功能的Python3代码

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：

 #coding=utf-8

 from functools import reduce  # for py3

 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

         #list1 = list(self.weights)
         #print ("predict self.weights:", list1)

         return self.activator(
             reduce(lambda a, b: a + b,
                    list(map(lambda tp: tp[0] * tp[1],   # HateMath修改
                        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 = list(map( lambda tp: tp[1] + rate * delta * tp[0], zip(input_vec, self.weights)) ) # HateMath修改

         # 更新bias
         self.bias += rate * delta

         print("_update_weights() -------------")
         print("label - output = delta:" ,label, output, delta)
         print("weights ", self.weights)
         print("bias", self.bias)

 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

     # 测试
     print (and_perception)
     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]))

运行输出：

======================== RESTART: F:\桌面\Perceptron.py ========================
_update_weights() -------------
label - output = delta: 1 0 1
weights  [0.1, 0.1]
bias 0.1
_update_weights() -------------
label - output = delta: 0 1 -1
weights  [0.1, 0.1]
bias 0.0
_update_weights() -------------
label - output = delta: 0 1 -1
weights  [0.0, 0.1]
bias -0.1
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.0, 0.1]
bias -0.1
_update_weights() -------------
label - output = delta: 1 0 1
weights  [0.1, 0.2]
bias 0.0
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.1, 0.2]
bias 0.0
_update_weights() -------------
label - output = delta: 0 1 -1
weights  [0.0, 0.2]
bias -0.1
_update_weights() -------------
label - output = delta: 0 1 -1
weights  [0.0, 0.1]
bias -0.2
_update_weights() -------------
label - output = delta: 1 0 1
weights  [0.1, 0.2]
bias -0.1
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.1, 0.2]
bias -0.1
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.1, 0.2]
bias -0.1
_update_weights() -------------
label - output = delta: 0 1 -1
weights  [0.1, 0.1]
bias -0.2
_update_weights() -------------
label - output = delta: 1 0 1
weights  [0.2, 0.2]
bias -0.1
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.2, 0.2]
bias -0.1
_update_weights() -------------
label - output = delta: 0 1 -1
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 1 1 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 1 1 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 1 1 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 1 1 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 1 1 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 1 1 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.1, 0.2]
bias -0.2
_update_weights() -------------
label - output = delta: 0 0 0
weights  [0.1, 0.2]
bias -0.2
weights    :[0.1, 0.2]
bias    :-0.200000

1 and 1 = 1
0 and 0 = 0
1 and 0 = 0
0 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