缺少的那一节
石明昊
2019-11-20 22:03
我用的python3.7，调整了视频中的错误，函数的位置和命名问题，但是出现TypeError: can't multiply sequence by non-int of type 'float'这个错误，python3中不能这么写吗，以下为我的感知器类代码
import numpy as np
class Perception(object):
'''
eta:学习率
n_iter：权重向量的训练次数
w_:神经分叉权重向量
error_:记录神经元判断出错次数
'''
def __init__(self,eta = 0.01,n_iter = 10):
self.eta = eta
self.n_iter = n_iter
pass
def fit(self,x,y):
'''
输入训练数据，训练神经元,x输入样本向量，y对应样本分类
x:shape(n_samples,n_features)
n_samples:样本量
n_feature:神经元分叉数量
例：x:[[1,2,3],[4,5,6]]
n_samples:2
n_feature:3
y:[1,-1]
'''
'''
初始化权重向量为0
加一是因为将前面算法提到的w0,也就是步调函数阈值
w_:权重向量
error_:错误记录向量
'''
self.errors_ = []
self.w_ = np.zeros(1 + x.shape[1])
for _ in range(self.n_iter):
errors = 0
for xi,target in zip(x,y):
'''
zip(x,y):[[1,2,3,1],[4,5,6,-1]]
'''
update = (self.eta) * (target - self.predict(xi))
self.w_[1:] += update * xi
self.w_[0] += update
'''
▽w(n) = update * x[n]
'''
errors += int(update != 0.0)
self.errors_.append(errors)
pass
pass
def net_input(self,x):
'''
z = w0 * 1 + w1 * x1 +... +wn * xn
'''
z = np.dot(x,self.w_[1:]) + self.w_[0]
return z
pass
def predict(self,x):
return np.where(self.net_input(x)>=0.0,1,-1)
pass
1回答
-
- Du1in9
- 2020-07-20 09:33:11
我也用的python3.7，这是我的代码，谢谢采纳~
import numpy as np class Perceptron(object): # 注释1 def __init__(self, eta = 0.01, n_iter = 10): self.eta = eta self.n_iter = n_iter def fit(self, X, y): # 注释2 self.w_ = np.zeros(1 + X.shape[1]) self.errors_ = [] for _ in range(self.n_iter): errors = 0 # 注释3 for xi, target in zip(X, y): update = self.eta * (target - self.predict(xi)) # 注释4 self.w_[1:] += update * xi self.w_[0] += update errors += int(update != 0.0) self.errors_.append(errors) def net_input(self, X): # 注释5 return np.dot(X, self.w_[1:]) + self.w_[0] def predict(self, X): return np.where(self.net_input(X) >= 0.0, 1, -1)
注释1： eta：学习率 n_iter：权重向量的训练次数 w_：神经分叉权重向量 errors_：用于记录神经元判断出错次数 注释2： 输入训练数据，培训神经元，X是输入样本向量，y是对应的样本分类 X:shape[n_samples, n_features] 比如：X:[[1, 2, 3], [4, 5, 6]] 那么：n_samples: 2，n_features: 3，y:[1, -1] 初始化权重向量为0，加1是因为提到的w0,即步调函数的阈值 注释3： 比如：X:[[1, 2, 3], [4, 5, 6] 所以y:[1, -1]，zip(X, y):[[1, 2, 3, 1]. [4, 5, 6, -1]] update = n * (y - y') 注释4： xi是一个向量 update * xi等价于：[ w1 = x1*update, w2 = x2*update, ...] 注释5： z = w0*1 + w1*x1 + w2*x2 + ... np.dot()是做点积
机器学习-实现简单神经网络
66716 学习 · 182 问题
相似问题