如果对Rosenblatt感知器不了解，可以先查看下相关定义，然后对照下面的代码来理解。
代码中详细解释了各步骤的含义，有些涉及到了数学公式的解释。
这篇文章是以理解Rosenblatt感知器的原理为主，所以只实现了单层感知器，比较复杂的
多层的感知器会在后面写到。
下面是详细代码及说明：
'''
算法：Rosenblatt感知器=====>单层感知器
特性：提供快速的计算，能够实现逻辑计算中的NOT、OR、AND等简单计算
本质：在坐标轴轴里面存在一条直线（面）可以把数据分成两类
''' '''
变量约定：大写表示矩阵或数组，小写表示数字
X：表示数组或者矩阵
x:表示对应数组或矩阵的某个值
''' '''
关于学习效率(也叫步长：控制着第n次迭代中作用于权值向量的调节)(下面的参数a)：
学习效率过大：收敛速度提高，稳定性降低，即出结果快，但是结果准确性较差
学习效率过小：稳定性提高，收敛速度降低，即出结果慢，准确性高，耗费资源
对于学习效率的确定，有专门的算法，这里不做研究。仅仅按照大多数情况下的选择：折中值
'''
import numpy as np
a=0.5 ##学习率 0<a<1
X=np.array([[1,1],[1,0],[0,0],[0,1]]) ##输入
D=np.array([1,1,0,1]) ##期望输出结果
W=np.array([0,0]) ##权重向量 ##硬限幅函数(即标准,这个比较简单：输入v大于0，返回1.小于等于0返回-1)
'''
最后的权重为W([1,1]),则:x+y=0 ==>y=-x
即：分类线方程为:y=-x()
'''
def sgn(v):
if v>0:
return 1
else:
return -1 ##激活函数(输出函数) '''
这里是两个向量相乘，对应的数学公式：
a(m,n)*b(p,q)=m*p+n*q
在下面的函数中，当循环中xn=1时(此时W=([1,1]))：
np.dot(W.T,x)=(1,1)*(1,1)=1*1+1*1=2>0 ==>sgn 返回1
'''
def output(W,x):
return sgn(np.dot(W.T,x))##dot表示两个矩阵相乘 ##权重计算函数
'''
对应数学公式: w(n+1)=w(n)+a(d(n)-y(n))*x(n)
对应下列变量的解释：
w(n+1) <= neww 的返回值
w(n) <=oldw(旧的权重向量)
a <= a(学习率，范围：0<a<1)
d(n) <= d(期望输出值)
y(n) <= output的返回值(实际输出值)
x(n) <= x(输入值)
'''
def neww(oldW,d,x,a):
return oldW+a*(d-output(oldW,x))*x ##修正权值
'''
此循环的原理：
权值修正原理(单样本)==>神经网络每次读入一个样本，进行修正，
样本读取完毕，修正过程结束 '''
i=0
for xn in X:
W=neww(W,D[i],xn,a)
i+=1 print("最后的权值：",W.T) ##输出结果
print("开始验证结果...")
for xn in X:
print("D%s and W%s =>%d"%(xn,W.T,output(W,xn))) ##测试准确性：
'''
由上面的说明可知：分类线方程为y=-x,从坐标轴上可以看出：
(2,3)属于+1分类,(-2,-1)属于-1分类
'''
print("开始测试...")
test=np.array([2,3])
print("D%s and W%s =>%d"%(test,W.T,output(W,test)))
test=np.array([-2,-1])
print("D%s and W%s =>%d"%(test,W.T,output(W,test)))
输出结果：
>>>
最后的权值： [ 1. 1.]
开始验证结果...
D[1 1] and W[ 1. 1.] =>1
D[1 0] and W[ 1. 1.] =>1
D[0 0] and W[ 1. 1.] =>-1
D[0 1] and W[ 1. 1.] =>1
开始测试...
D[2 3] and W[ 1. 1.] =>1
D[-2 -1] and W[ 1. 1.] =>-1
>>>