当前位置: 首页 > news >正文

HNU_多传感器(专选)_作业4(构建单层感知器实现分类)

1. (论述题)(共1题,100分)

假设平面坐标系上有四个点,要求构建单层感知器实现分类。

(3,3),(4,3) 两个点的标签为1;

(1,1),(0,2) 两个点的标签为-1。  

思路:要分类的数据是2维数据,需要2个输入节点,把神经元的偏置值也设置成一个节点(偏置也是一个输入,恒等于1),总共有3个输入节点。

输入数据有4组:

(1,3,3),(1,4,3),(1,1,1),(1,0,2)

对应的标签为(1,1,-1,-1) 

初始化权值w0,w1,w2取-1到1的随机数;

学习率设为0.11;

激活函数为sign函数。

我的答案:

1. 初始化:

  • (1)输入数据:X=[[1,3,3],[1,4,3],[1,1,1],[1,0,2]];
  • (2)标签:Y=[1,1,-1,-1]
  • (3)权值向量:W=[w0,w1,w2],随机在[-1,1]中;
  • (4)学习率:η= 0.11

2.激活函数:

  • sign(x) = 1 if x > 0 else -1

3.训练过程

  • (1)前向传播:神经元输出:

  • (2)计算误差:

  • (3)更新权值:

  • (4)若未达到“所有样本均正确分类/达到最大迭代次数”,则重复(1)~(3)

4.迭代过程:

可通过程序代码,进行迭代:(其中一次迭代如下):


初始权值: [ 0.58717924 -0.64675996  0.79238846]

=== 第 1 轮迭代 ===

样本: [1 1 1], 标签: -1, 预测: 1

权值更新量(eta * (Y[i] - y_pred) * X[i]): [-0.22 -0.22 -0.22]

更新后的权值: [ 0.36717924 -0.86675996  0.57238846]

样本: [1 0 2], 标签: -1, 预测: 1

权值更新量(eta * (Y[i] - y_pred) * X[i]): [-0.22 -0.   -0.44]

更新后的权值: [ 0.14717924 -0.86675996  0.13238846]

=== 第 2 轮迭代 ===

样本: [1 3 3], 标签: 1, 预测: -1

权值更新量(eta * (Y[i] - y_pred) * X[i]): [0.22 0.66 0.66]

更新后的权值: [ 0.36717924 -0.20675996  0.79238846]

样本: [1 1 1], 标签: -1, 预测: 1

权值更新量(eta * (Y[i] - y_pred) * X[i]): [-0.22 -0.22 -0.22]

更新后的权值: [ 0.14717924 -0.42675996  0.57238846]

样本: [1 0 2], 标签: -1, 预测: 1

权值更新量(eta * (Y[i] - y_pred) * X[i]): [-0.22 -0.   -0.44]

更新后的权值: [-0.07282076 -0.42675996  0.13238846]

=== 第 3 轮迭代 ===

样本: [1 3 3], 标签: 1, 预测: -1

权值更新量(eta * (Y[i] - y_pred) * X[i]): [0.22 0.66 0.66]

更新后的权值: [0.14717924 0.23324004 0.79238846]

样本: [1 1 1], 标签: -1, 预测: 1

权值更新量(eta * (Y[i] - y_pred) * X[i]): [-0.22 -0.22 -0.22]

更新后的权值: [-0.07282076  0.01324004  0.57238846]

样本: [1 0 2], 标签: -1, 预测: 1

权值更新量(eta * (Y[i] - y_pred) * X[i]): [-0.22 -0.   -0.44]

更新后的权值: [-0.29282076  0.01324004  0.13238846]

=== 第 4 轮迭代 ===

训练在第 4 轮收敛

训练后的权值: [-0.29282076  0.01324004  0.13238846]


import numpy as np# 数据
X = np.array([[1, 3, 3],[1, 4, 3],[1, 1, 1],[1, 0, 2]
])
Y = np.array([1, 1, -1, -1])# 初始化权值和参数
W = np.random.uniform(-1, 1, 3)  # 权值初始化
eta = 0.11  # 学习率
max_epochs = 100  # 最大迭代次数# 激活函数
def sign(x):return 1 if x > 0 else -1# 训练
print("初始权值:", W)
for epoch in range(max_epochs):print(f"\n=== 第 {epoch + 1} 轮迭代 ===")errors = 0for i in range(len(X)):# 前向传播y_pred = sign(np.dot(X[i], W))# 检查预测是否正确if y_pred != Y[i]:errors += 1delta_W = eta * (Y[i] - y_pred) * X[i]  # 计算权值更新量W += delta_W  # 更新权值# 打印更新信息print(f"样本: {X[i]}, 标签: {Y[i]}, 预测: {y_pred}")print(f"权值更新量(eta * (Y[i] - y_pred) * X[i]): {delta_W}")print(f"更新后的权值: {W}")if errors == 0:  # 如果没有错误分类print(f"训练在第 {epoch + 1} 轮收敛")break
else:print("未在最大迭代次数内收敛")print("\n训练后的权值:", W)

相关文章:

HNU_多传感器(专选)_作业4(构建单层感知器实现分类)

1. (论述题)(共1题,100分) 假设平面坐标系上有四个点,要求构建单层感知器实现分类。 (3,3),(4,3) 两个点的标签为1; (1,1),(0,2) 两个点的标签为-1。 思路:要分类的数据是2维数据,需要2个输入…...

以太网链路详情

文章目录 1、交换机1、常见的概念1、冲突域2、广播域3、以太网卡1、以太网卡帧 4、mac地址1、mac地址表示2、mac地址分类3、mac地址转换为二进制 2、交换机的工作原理1、mac地址表2、交换机三种数据帧处理行为3、为什么会泛洪4、转发5、丢弃 3、mac表怎么获得4、同网段数据通信…...

vue3 setup语法,子组件点击一个元素打印了这个元素的下标id,怎么传递给父组件,让父组件去使用

问: vue3 setup语法,子组件点击一个元素打印了这个元素的下标id,怎么传递给父组件,让父组件去使用 回答: 在 Vue 3 中,你可以使用 setup 语法糖和组合式 API 来实现子组件向父组件传递数据。具体来说&am…...

《Keras3 minist 手写数字AI模型训练22秒精度达到:0.97》

《Keras3 minist 手写数字AI模型训练22秒精度达到:0.97》 一、修改源码加上如下两条代码二、源码修改如下三、Keras3 minist 训练22秒结束,训练过程截图四、Keras3 minist 源码截图 一、修改源码加上如下两条代码 import os os.environ["KERAS_BAC…...

【.net core】【sqlsugar】大数据写入配置(需要版本5.0.45)

官网连接 https://www.donet5.com/home/Doc?typeId2404 泛型方法 /// <summary> /// 大数据写入&#xff08;泛型方法&#xff09; /// </summary> /// <param name"entitys"></param> /// <returns></returns> ///代码中_d…...

ansible运维实战

通过学习ansible自动化运维&#xff0c;初步对ansible有了一定的了解&#xff0c;此次分享两个案例&#xff0c;希望对大家有所帮助 案例一&#xff1a;自动化安装nginx 本次案例目的是ansible自动化安装nginx并配置 首先创建如图所示目录 在主机上安装好nginx&#xff0c;如…...

DDOS分布式拒绝服务攻击

DDOS分布式拒绝服务攻击 简单来说 传统的DOS就是一台或者多台服务对一个受害目标&#xff08;服务器&#xff0c;路由&#xff0c;ip&#xff0c;国家&#xff09;进行攻击&#xff0c;当范围过大时就是DDOS。目的就是通过大规模的网络流量使得正常流量不能访问受害目标&…...

如何使用 Python 实现 UDP 通信?

1. UDP通信基础 UDP&#xff08;用户数据报协议&#xff09;是一种无连接的传输层协议&#xff0c;它提供了一种不可靠的数据传输服务&#xff0c;但具有较低的延迟和较小的开销。在Python中&#xff0c;可以使用socket模块来实现UDP通信。 2. 实现UDP服务端 import socketd…...

MTK 配置文件梳理

文章目录 MTK 日常配置总结屏幕默认横竖屏显示ro.build.characteristics 属性修改修改点一&#xff1a;build\core\product_config.mk修改点二&#xff1a;build\make\core\main.mk修改是否成功&#xff0c;adb 验证 配置部分系统app handheld_product.mk配置系统属性、第三方应…...

论文笔记:Treat Visual Tokens as Text? But Your MLLM Only Needs Fewer Efforts to See

2024 10月的arxiv 1 主要idea 针对多模态大模型&#xff08;如LLaVA&#xff09;&#xff0c;提出了一系列高效的剪枝策略 在显著降低计算开销&#xff08;多达 88%&#xff09;的同时&#xff0c;保持了模型在多模态任务中的性能表现 2 目前的问题 与文本 token 相比&…...

软考高级架构 —— 10.6 大型网站系统架构演化实例 + 软件架构维护

10.6 大型网站系统架构演化实例 大型网站的技术挑战主要来自于庞大的用户&#xff0c;高并发的访问和海量的数据&#xff0c;主要解决这类问题。 1. 单体架构 特点: 所有资源&#xff08;应用程序、数据库、文件&#xff09;集中在一台服务器上。适用场景: 小型网站&am…...

2024美赛数学建模C题:网球比赛中的动量,用马尔可夫链求解!详细分析

文末获取历年美赛数学建模论文&#xff0c;交流思路模型 接下来讲解马尔可夫链在2024年C题中的运用 1. 马尔科夫链的基本原理 马尔科夫链是描述随机过程的一种数学模型&#xff0c;其核心特征是无记忆性。 简单来说&#xff0c;系统在某一时刻的状态只取决于当前状态&#x…...

23种设计模式之状态模式

目录 1. 简介2. 代码2.1 State &#xff08;定义抽象状态接口&#xff09;2.2 StartState &#xff08;实现具体状态类&#xff09;2.3 EndState &#xff08;实现具体状态类&#xff09;2.4 Context &#xff08;定义上下文类&#xff09;2.5 Test &#xff08;测试类&#xf…...

Elasticsearch Serverless 中的数据流自动分片

作者&#xff1a;来自 Elastic Andrei Dan 在 Elastic Cloud Serverless 中&#xff0c;我们根据索引负载自动为数据流配置最佳分片数量&#xff0c;从而使用户无需摆弄分片。 传统上&#xff0c;用户会更改数据流的分片配置&#xff0c;以处理各种工作负载并充分利用可用资源。…...

YOLOv10改进,YOLOv10添加U-Netv2分割网络中SDI信息融合模块+GSConv卷积,助力小目标

理论介绍 完成本篇需要参考以下两篇文章,并已添加到YOLOv10代码中 YOLOv10改进,YOLOv10添加U-Netv2分割网络中SDI信息融合模块,助力小目标检测YOLOv10改进,YOLOv10添加GSConv卷积+Slim-neck,助力小目标检测,二次创新C2f结构下文都是手把手教程,跟着操作即可添加成功 目…...

xshell连接虚拟机,更换网络模式:NAT->桥接模式

NAT模式&#xff1a;虚拟机通过宿主机的网络访问外网。优点在于不需要手动配置IP地址和子网掩码&#xff0c;只要宿主机能够访问网络&#xff0c;虚拟机也能够访问。对外部网络而言&#xff0c;它看到的是宿主机的IP地址&#xff0c;而不是虚拟机的IP。但是&#xff0c;宿主机可…...

sql的where条件中使用case when

场景&#xff1a; 1、使用oracle数据库&#xff0c;数据类型为number&#xff0c;需要正无穷值。 2、数据表中有两个金额值&#xff0c;最大值和最小值&#xff0c; 如10~20&#xff0c; 30 ~40&#xff0c;40以上&#xff0c;数据库中这样设计 id name min max 1 j 10 20 2 …...

MacOS 上以源码形式安装 MySQL 5.7

以下是在 macOS 上从源码安装 MySQL 5.7 的步骤&#xff1a; 前置条件 安装 Homebrew&#xff1a;如果你还没有安装 Homebrew&#xff0c;可以在终端中运行以下命令进行安装&#xff1a; /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install…...

MySQL 事务隔离级别详解

一、事务的基本概念 &#xff08;一&#xff09;什么是事务 事务是一个逻辑工作单元&#xff0c;由一组数据库操作组成。这些操作要么全部成功执行&#xff0c;要么全部回滚&#xff0c;以确保数据库的一致性。事务具有以下四个特性&#xff0c;通常被称为 ACID 特性&#xff…...

C语言——高精度问题

1、高精度计算的本质&#xff1a;竖式计算&#xff1b; 2、适用解决超出long long int 范围的大整数计算 #include<stdio.h> #include<string.h> #define N 100 char str1[N4]{0},str2[N4]{0}; int arr1[N4]{0},arr2[N4]{0}; int ans[N5]{0};//将字符串转化成整型…...

掌握Argos Translate:离线翻译与隐私保护实战指南

掌握Argos Translate&#xff1a;离线翻译与隐私保护实战指南 【免费下载链接】argos-translate Open-source offline translation library written in Python 项目地址: https://gitcode.com/GitHub_Trending/ar/argos-translate 在当今数据隐私日益受到重视的时代&…...

P1061 Jam 的计数法【洛谷算法习题】

P1061 Jam 的计数法 网页链接 P1061 Jam 的计数法 题目描述 Jam 是个喜欢标新立异的科学怪人。他不使用阿拉伯数字计数&#xff0c;而是使用小写英文字母计数&#xff0c;他觉得这样做&#xff0c;会使世界更加丰富多彩。 在他的计数法中&#xff0c;每个数字的位数都是相…...

VINS-Mono跑EUROC数据集后,如何用evo工具包进行轨迹精度评估与可视化(附完整命令)

VINS-Mono轨迹精度评估实战&#xff1a;从EUROC数据集到evo工具包全流程解析 在完成VINS-Mono算法在EUROC数据集上的运行后&#xff0c;如何科学评估其轨迹精度成为算法优化和论文撰写的关键环节。本文将深入讲解使用evo工具包进行定量分析的完整流程&#xff0c;涵盖指标计算、…...

3步实现专业级3D建模:突破性AI工具全解析

3步实现专业级3D建模&#xff1a;突破性AI工具全解析 【免费下载链接】Wonder3D Single Image to 3D using Cross-Domain Diffusion 项目地址: https://gitcode.com/gh_mirrors/wo/Wonder3D 在数字创作领域&#xff0c;AI 3D建模正在改变传统流程&#xff0c;而单图转3D…...

BoltDB vs Redis 读性能对比:实测表现与原理差异

一、前言 BoltDB&#xff08;bbolt&#xff09;与 Redis 都是高并发场景下常见的键值存储&#xff0c;但存储架构、存储介质、并发模型完全不同&#xff0c;导致两者在读性能、延迟、并发扩展性上呈现巨大差异。 本文从原理、延迟、并发读能力、资源开销四个维度对比两者的读性…...

Nunchaku-flux-1-dev在Typora文档中的自动插图生成

Nunchaku-flux-1-dev在Typora文档中的自动插图生成 1. 引言 写技术文档最头疼的是什么&#xff1f;对我来说&#xff0c;一定是配图。每次写到关键的技术概念或者流程说明&#xff0c;都得停下来去找合适的示意图&#xff0c;或者打开绘图工具手动制作。不仅打断思路&#xf…...

Sparse Sinkhorn Attention:点云处理中的高效全局注意力机制

1. 什么是Sparse Sinkhorn Attention&#xff1f; 如果你玩过乐高积木&#xff0c;应该知道把一堆零散的积木块拼成完整模型的过程。点云数据处理就像这个拼积木的过程——我们需要从成千上万个三维坐标点中识别出物体的结构和特征。传统方法就像只用相邻积木块拼装&#xff0c…...

从数据孤岛到智能协作:DeerFlow如何重构AI研究范式

从数据孤岛到智能协作&#xff1a;DeerFlow如何重构AI研究范式 【免费下载链接】deer-flow DeerFlow is a community-driven framework for deep research, combining language models with tools like web search, crawling, and Python execution, while contributing back t…...

乙巳马年春联生成终端效果展示:Ma Shan Zheng字体巨幅卷轴实拍

乙巳马年春联生成终端效果展示&#xff1a;Ma Shan Zheng字体巨幅卷轴实拍 1. 引言&#xff1a;一场数字时代的“开门见喜” 想象一下&#xff0c;你站在一扇威严的朱红大门前&#xff0c;门上是整齐排列的金色门钉&#xff0c;两侧是古老的门神画像。你只需轻声说出一个新年…...

TSmaster 曲线窗口(Graphic)的X/Y轴优化与信号分离实战

1. TSMaster曲线窗口基础操作指南 第一次打开TSmaster的Graphic窗口时&#xff0c;很多人会被密密麻麻的曲线和参数搞得晕头转向。作为一个在汽车电子测试领域摸爬滚打多年的老司机&#xff0c;我清楚地记得自己刚开始使用时&#xff0c;光是找添加信号的按钮就花了十分钟。下面…...