下图是一个感知器：
可以看到，一个感知器有如下组成部分：
01
输入权值
其中，每一个输入分量Xj(j＝1，2…，r)通过一个权值分量wj，进行加权求和，并作为阈值函数的输人。偏差b的加入(对应上图中的w0,这样是便于书写和理解)使得网络多了一个可调参数，为使网络输出达到期望的目标矢量提供了方便。感知器特别适合解决简单的模式分类问题。
02
激活函数
激活函数则有较多的选择，较为常见的有sigmoid函数和阶跃函数，这里以阶跃函数为例！
03
输出
感知器的输出则由如下公式计算得出：
利用下面的感知器规则迭代的修改参数直到训练完成。
其中，
Wi是与输入Xi应的权重项，b偏置项。事实上，可以把b作是值永远为1的输入Xb对应的权重。t 是训练样本的实际值，一般称之为label。而 y 感知器的输出值，它是根据公式计算得出。η一个称为学习速率的常数，其作用是控制每一步调整权的幅度。
每次从训练数据中取出一个样本的输入向量 x ，使用感知器计算其输出 y，再根据上面的规则来调整权重。每处理一个样本就调整一次权重。经过多轮迭代后（即全部的训练数据被反复处理多轮），就可以训练出感知器的权重，使之实现目标函数。
下边是根据感知器算法编写出的python代码实现：（实践时是利用一个鸢尾花数据集archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data）
class Perceptron(): """ eta: learning rate(0.0-1.0) n_iter:passes over the traing dataset w_:weights after fitting errors_:number of misclassifications in every epoch """ def __init__(self,eta=1,n_iter=10): self.eta = eta self.n_iter = n_iter def fit(self,X,y): """fit training data.""" self.w_ = np.zeros(1 + X.shape[1]) self.errors_ = [] for _ in range(self.n_iter): errors = 0 for xi,target in zip(X,y): update = self.eta * (target - self.predict(xi)) self.w_[1:] += update * xi self.w_[0] += update errors += int(update != 0.0) self.errors_.append(errors) return self def net_input(self,X): """caculate net input""" return np.dot(X,self.w_[1:]) + self.w_[0] #a.dot(b) np.dot(a,b) sum(i*j for i,j in zip(a,b)) def predict(self,X): """return class label after unit step""" return np.where(self.net_input(X) >= 0.0, 1, -1)
搭配上必要的绘图模块，可以实现对鸢尾花种类的识别，这里只是对感知器进行介绍，就不过多叙述其他模块了~（需要完整代码的可以添加小詹微信索要）
