前言：

神经网络是非常重要的且用途广泛，通过模拟人体的处理信息方式来解决问题，下面就来介绍一下单层感知器。

正文：

import numpy as np
import matplotlib.pyplot as plt

#输入数据
X = np.array([[1,3,3],
              [1,4,3],
              [1,1,1],
              [1,0,2]])
           
 #标签
Y = np.array([[1],
              [1],
              [-1],
              [-1]])
#权值初始化，3行1列，取值范围-1到1
W = (np.random.random([3,1])-0.5)*2

print(W)
#学习率设置
lr = 0.11
#神经网络输出
O = 0
#除以x.shape()防止每次更新权值过大
#给x转置是为了符合矩阵乘法的规范
def update():
    global X,Y,W,lr
    O = np.sign(np.dot(X,W))
    W_C = lr*(X.T.dot(Y-O))/int(X.shape[0])
    W = W + W_C

每次都会随机出来三个权值：
[[ 0.00716618]
[ 0.09579097]
[ 0.86859556]]

for i in range(100):
    update()#更新权值
    print(W)#打印当前权值
    print(i)#打印迭代次数
    O = np.sign(np.dot(X,W))#计算当前输出
    #all函数意思是当O与Y结果完全符合时，才返回true
    if(O == Y).all():
        print("Finished")
        print("epoch",i)
        break
#正样本
x1 = [3,4]
y1 = [3,3]
#负样本
x2 = [1,0]
y2 = [1,2]

#计算分界线的斜率以及截距
k = -W[1]/W[2]
d = -W[0]/W[2]
print('k=',k)
print('d=',d)

xdata = (0,5)

plt.figure()
plt.plot(xdata,xdata*k+d,'r')
plt.scatter(x1,y1,c='b')
plt.scatter(x2,y2,c='y')
plt.show()

因为每次随机数的权值都不同，所以迭代次数也有所不同，这里就只po出最终图片。

总结：

这章的总结没有太多，主要有一个公式需要明白：

明白这个公式之后，也就明白了k和b的计算方法。