【原创】深度学习第3弹：神经元的极限

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了【原创】深度学习第3弹：神经元的极限，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含2782字，纯文字阅读大概需要4分钟。

内容图文

文章目录

• 一、前文回顾
• 二、异或门是什么？
• 三、线性与非线性
• • 1.线性
  • 2.非线性
• 四、神经元的极限
• 五、总结

---

一、前文回顾

上一节我们通过神经元模拟了逻辑与，非，或门。你会发现他们的构造其实一样的，都是一个神经元，不同的是权重值不一样，那么同样的方法我们来模拟一下另外一个逻辑电路：异或门XOR

---

二、异或门是什么？

?XOR门就是对于两个输入信号x1或者x2，相同则输出0，相异则输出1的一种逻辑电路。如下表所示：

x1	x2	y
0	0	0
1	0	1
0	1	1
1	1	1

?那么神经元也可以通过人工设定权重来实现XOR门吗？很肯定的告诉你：不行！！

三、线性与非线性

1.线性

?我们先回顾一下或门。当权重参数（w1,w2,b）=（1.0，1.0，-0.5）的时候，我们就可以用神经元来构造一个或门。

?为了更直观的了解它，我们用二维坐标图来看一下。上图神经元所表示的其实就是用一条x1+x2-0.5=0的直线把二维平面分割成两部分，一边的值为0，一边的值为1。正如下图点虚线把二维平面分割为两部分，灰色部分为0，另外一边为1。

?因为当(x1,x2)=(0,0)的时候或门输出为零，其余输出为1，所以在二维坐标里面我们用▲代表1，●代表0。你会发现我们的这条直线很完美的把0和1都分开了。这就是线性。

2.非线性

?那么在回头再看看XOR门，同样的在二维坐标用▲和●标出0和1的值。你会发现无论你怎么画，都不可能画出一条完美的把0和1区域分开的直线（如下图所示，只有曲线可以划分）。这就是非线性。

四、神经元的极限

?神经元可以模拟与，或，非门，但是却无法模拟异或门，这便是神经元的极限。所以我们要换个思路来思考：把神经元组合起来试试（下图所示），看能不能解决异或门这个难题。

?x1和x2分别代表初始输入信号，s1代表非门（NAND）的输出，s2代表或门（OR）的输出，s1和s2又分别作为与门（AND）的输入，y是与门的输出。
※整理一下真理值表

x1	x2	s1=(x1 NAND x2)	s2=(x1 OR x2)	y=(s1 AND s2)
0	0	1	0	0
1	0	1	1	1
0	1	1	1	1
1	1	0	1	0

和本文一开始的真理值表结果完全一致。
用Python来验证一下。

def calculate(x1, opt, x2, ):
    if opt is "AND":
        # 与门的权重参数
        w1, w2, b = 0.5, 0.5, -0.7
    elif opt is "NAND":
        # 非门的权重参数
        w1, w2, b = -0.5, -0.5, 0.7
    elif opt is "OR":
        # 或门的权重参数
        w1, w2, b = 0.5, 0.5, -0.2
    else:
        return -1
    # 输入信号*权重+偏置值
    sum = x1 * w1 + x2 * w2 + b
    if sum <= 0:
        return 0
    else:
        return 1

def xor_gate(x1, x2):
    # s1= x1 NAND x2
    s1 = calculate(x1, "NAND", x2)
    # s1= x1 OR x2
    s2 = calculate(x1, "OR", x2)
    # y = s1 AND s2
    y = calculate(s1, "AND", s2)
    return y

打印结果:

print("x1 = 0, x2 = 0, y =", xor_gate(0, 0))
print("x1 = 1, x2 = 0, y =", xor_gate(1, 0))
print("x1 = 0, x2 = 1, y =", xor_gate(0, 1))
print("x1 = 1, x2 = 1, y =", xor_gate(1, 1))
#↓↓↓↓↓↓↓↓↓↓↓output↓↓↓↓↓↓↓↓↓↓↓↓
x1 = 0, x2 = 0, y = 0
x1 = 1, x2 = 0, y = 1
x1 = 0, x2 = 1, y = 1
x1 = 1, x2 = 1, y = 0

OK，和真理表值完全一致。

五、总结

?因为异或门在二维平面不可以被直线分割（也可以称为非线性），所以神经元无法模拟异或门，但是通过三个其他神经元（与门，或门，非门）的组合便可以完美解决这个问题。而这三兄弟的组合我们就可以称为一个神经网络。
?为了庆祝这个神经网络的诞生，我给他取了一个霸气的名字：小D。所以下节的主题便是【小D的诞生】。

※关注个人微信公众号：DeepVisionZero
?获取更多精彩内容

内容总结

以上是互联网集市为您收集整理的【原创】深度学习第3弹：神经元的极限全部内容，希望文章能够帮你解决【原创】深度学习第3弹：神经元的极限所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---