-
向量的点乘 矩阵的转置查看全部
-
import numpy as np class Perceptron(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 errors_:用于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，培训神经元，x输入样本向量，y对应样本分类 x：shapep[n_samples,n_features] x:[[1,2,3],[4,5,6]] n_samples:2 n_features:3 y:[1,-1] """ """ 初始化权重向量为0 加一是因为前面算法提到的w0，也就是步调函数阈值 """ self.w_=np.zero(1+x.shape[1]); self.errors_=[]; pass查看全部
-
课程大纲查看全部
-
一般的神经网络查看全部
-
课程大纲查看全部
-
一维变二维：np.arrange(x1_min,x1_max,resolution) 二维变一维：np.array([xx1.rave1(), xx2.ravel()]).T查看全部
-
算法步骤查看全部
-
权重更新算法事例查看全部
-
权重的更新算法查看全部
-
步调函数与阀值查看全部
-
激活函数查看全部
-
三个步骤查看全部
-
权重更新算法查看全部
-
步调函数与阈值查看全部
-
和方差求偏导数(梯度下降算法?)查看全部
举报
0/150
提交
取消