感知机perceptron算法是Frank Rosenblatt于1957年提出，它是神经网络和深度学习的起源算法。

感知机接受多个信号，输出一个信号，具体更多原理，请参见这篇博文

本文用python实现三个简单的逻辑电路，实际上这三种逻辑门电路用感知机实现都不是唯一的，都可以有很多种实现方式（区别只是权重和偏置不一样）；且三个门电路之间也只是权重偏置不一样，代码实际上是一样的，也就是感知机的结构都一样，如下图：

三种门电路的感知机结构如上图，均为2输入单输出，
$$y=\{\begin{array}{rlr}0& ,& x_1{w}_1+x_2{w}_2+b\le 0\\ 1& ,& x_1{w}_1+x_2{w}_2+b>0\end{array}\text{\hspace{1em}(1)}$$

权重w1,w2表示各个输入的重要程度。

偏置b表示神经元激活的难易程度，b越大则越易被激活。

（1）式描述的是一条直线把二维空间线性地分割为两部分。
实际上，如果引入激活函数的概念，则感知机使用的激活函数是阶跃函数：
$$h(x)=\{\begin{array}{r}0,x\le 0\\ 1,x>0\end{array}$$

激活函数就是连接NN和感知机的桥梁。

感知机使用阶跃函数作激活函数，而只要把激活函数换成其他函数(sigmoid或Relu)，就得到了NN.

---

一、与门（AND gate）

真值表

$x_1$	$x_2$	y
0	0	0
0	1	0
1	0	0
1	1	1

代入(1)则有：
$$\{\begin{array}{r}b\le 0\\ w_2+b\le 0\\ w_1+b\le 0\\ w_1+w_2+b>0\end{array}$$
满足这组关系的$w_1,w_2,b$很多，我们取0.5，0.5，-0.7

import numpy as np
def AND(x1,x2):x = np.array([x1,x2])w = np.array([0.5,0.5])b=  -0.7tmp = np.sum(w*x) + bif tmp <= 0:return 0else:return 1print(AND(0,0))
print(AND(0,1))
print(AND(1,0))
print(AND(1,1))

pycharm脚本运行后输出结果：

---

二、或门(OR gate)

真值表

$x_1$	$x_2$	y
0	0	0
0	1	1
1	0	1
1	1	1

代入(1)则有：
$$\{\begin{array}{r}b\le 0\\ w_2+b>0\\ w_1+b>0\\ w_1+w_2+b>0\end{array}$$
满足这组关系的$w_1,w_2,b$很多，我们取0.5，0.5，-0.2

import numpy as np
def OR(x1,x2):x = np.array([x1,x2])w = np.array([0.5,0.5])b = -0.2tmp = np.sum(w*x) + bif tmp <= 0:return 0else:return 1print(OR(0,0))
print(OR(0,1))
print(OR(1,0))
print(OR(1,1))

pycharm脚本运行后输出结果：

---

三、与非门(NAND gate)

真值表

$x_1$	$x_2$	y
0	0	1
0	1	1
1	0	1
1	1	0

代入(1)则有：
$$\{\begin{array}{r}b>0\\ w_2+b>0\\ w_1+b>0\\ w_1+w_2+b\le 0\end{array}$$
满足这组关系的$w_1,w_2,b$很多，我们取-0.5，-0.5，0.7

import numpy as np
def NAND(x1,x2):x = np.array([x1,x2])w = np.array([-0.5,-0.5])b = 0.7tmp = np.sum(w*x) + bif tmp <= 0:return 0else:return 1print(NAND(0,0))
print(NAND(0,1))
print(NAND(1,0))
print(NAND(1,1))

pycharm脚本运行后输出结果：

如上，单层感知机只能表示线性的空间划分，对于异或门，单层感知机则无法通过简单的一条直线划分开。这就是单层感知机的局限性。

---

四、异或门

真值表

$x_1$	$x_2$	y
0	0	0
0	1	1
1	0	1
1	1	0

学习数电时我们知道，简单门电路的组合可以实现复杂的门电路。所以：

def XOR(x1,x2):s1 = NAND(x1,x2)s2 = OR(x1,x2)y = AND(s1,s2)return yprint(XOR(0,0))
print(XOR(0,1))
print(XOR(1,0))
print(XOR(1,1))

pycharm脚本运行后输出结果：

异或门是一个两层的感知机：

---

总结：

1. 可以看出，单层感知机无法表示的东西，加一层就解决了，所以加深层可以进行更复杂更灵活的表示，这就是深度神经网络可以学到复杂表示的理论源头。
2. 本文实现的感知机的权重都是人工设置的，如果用感知机实现复杂的函数，权重的人工确定十分困难。而这个问题的解决就引入了神经网络，或者说神经网络解决了这个问题。因为NN的重要性质是他可以自动从数据中学得合适的参数（权重，偏置）。