学完这章,你能
- 用Tensor计算输入的加权分数
- 把分数转成0或1的类别
- 观察权重和偏置怎样改变结果
先算一个分数,再判断它属于0还是1。你会沿着这两个小动作,看清一个感知机怎样工作。
先看这个感知机:两个输入 2、1,对应权重 1、2,偏置 −3。沿着连线,看看它怎样得到分数和类别。
一个感知机:先把两个输入分别加权、求和并加上偏置,再判断类别。本节先用代码算出分数,下一节实现判断。图里的 Σ 表示求和。先核对两个乘积2和2,相加得4;偏置−3只加一次,分数是1。
把图里的计算写成代码
x 保存输入,weights 保存对应权重,二者的shape都是 (2,)。这里两个一维Tensor用 @ 做点积,得到一个数,再加偏置 bias。
先运行,score应为 1。只把 weights 的第二个2.0改成0.0,再运行:分数变为 −1。点重置代码后再运行,恢复为1。上图固定展示原例,修改代码不会改动图中的数字。
先读代码注释,再运行;下方显示这次实际计算的结果。
输入时自动提示 · Ctrl + Space 查看补全 · Ctrl / ⌘ + Enter 运行
点击运行,查看结果
还没有运行。先读代码注释,再点击运行。
想在电脑上运行?
本页的小例子直接在网页运行即可。需要额外软件包或更大的训练任务时,可复制代码,在电脑的 PyTorch 环境继续运行。
开源许可证score 与 bias 都是只存一个数的零维Tensor,shape为 ();item()把这个数取出来打印。
分数还不是最终类别。 下一节把它与0比较,完成判断。
本节小结
输入、权重和偏置都用Tensor保存。 一行 score = x @ weights + bias,就表达了感知机的加权计算。
本节固定规则:分数大于或等于0,输出1;否则输出0。 这段代码包含完整输入,可以独立运行。
只改一个参数,看结果变化
三次运行,核对零边界
- 先运行原例 分数1、类别1。先有分数,再做判断。
- 只改第二个权重 把
weights 里的2.0改成0.0。第二项乘积从2变0,分数为−1,类别为0。 - 重置后只改偏置 点重置代码,再把
bias 的−3.0改成−4.0。分数为0,类别仍为1,因为本例把等于0也归到1。
核对后,再点重置代码并运行,恢复分数1、类别1。
先读代码注释,再运行;下方显示这次实际计算的结果。
输入时自动提示 · Ctrl + Space 查看补全 · Ctrl / ⌘ + Enter 运行
点击运行,查看结果
还没有运行。先读代码注释,再点击运行。
想在电脑上运行?
本页的小例子直接在网页运行即可。需要额外软件包或更大的训练任务时,可复制代码,在电脑的 PyTorch 环境继续运行。
开源许可证score >= 0 先得到真或假,.to(torch.int64)再把它转成整数 1或0。分数可以为负,它不是概率。
本节小结
先计算分数,再做阈值判断,才得到类别。 参数变化会改变分数,也可能改变判断。
- 输入与参数: 用Tensor保存输入、权重和偏置。
- 加权计算: 对应相乘、相加,再加一次偏置。
- 最终判断: 分数与0比较,输出0或1。
这里的参数是预先给定的。本节先把一次预测怎样计算看清楚,怎样从数据中寻找参数,后面再讲。
本章小结
你已把图里的两个动作写成代码:加权计算,再做判断。 默认分数1、类别1;只改第二个权重后,分数−1、类别0。能解释这次变化,就抓住了本章的主线。
下一章学习多层感知机与激活函数,把这样的计算单元连接起来。
学完这一章,你也有这些疑惑吗?
先把问题留下,带着自己的理解继续交流。
- 改变第二个权重后,哪一项乘积变了?
- 分数恰好为0时,本例输出哪个类别?
- 怎样把图里的加权计算对应到代码?
交流时可以带上:章节名、你的理解,以及遇到的现象。