感知器模型

了解感知器模型以及诸如交叉熵、Sigmoid 梯度下降等关键术语至关重要。那么什么是感知器模型，它有什么作用？

让我们看一个例子来理解感知器模型。假设有一家医院每年对数千名患者进行手术，并要求你创建一个预测模型，该模型能够准确确定某人是否可能患有癌症。

借助先前确定的数据，我们根据他们的年龄（横坐标）和吸入的烟草量（纵坐标）来预测某人是否可能患有癌症。

因此，年龄较大且吸烟量较大的人患癌症的几率较高，而年龄较小且吸烟量较少的人患癌症的几率较低。

每个绿色点表示患癌症的几率较高，最初被分配标签为零；每个蓝色点表示患癌症的几率较低，最初被分配标签为一。

因此，我们将从一个随机模型开始，该模型无法正确分类我们的数据，但随后该模型将通过某种优化算法进行训练。该模型将经过多次迭代训练，直到达到可以正确分类我们数据的参数值。我们使用先前标记的数据，这里的一切都被标记为一，而这里的一切都被标记为零。

我们使用这些标记的数据来提出一个预测模型，该模型将我们的数据分类为两个离散类别。使用该模型，我们现在可以对新输入的没有标签的数据进行预测，基于该点是位于线下方还是上方。我们将训练我们的模型，该模型可以确定此人属于一类，因此他们最有可能健康。

现在，最大的问题是计算机如何知道如何提出这个线性模型。为此，我们将计算与此模型相关的误差，然后重新调整模型的参数以最小化误差并正确分类数据点。我们将使用 **交叉熵 ()** 函数来查找误差，并使用 **Sigmoid 梯度下降** 来优化参数。让我们开始实现代码，在其中我们将看到如何使用交叉熵函数和 Sigmoid 梯度下降。

因此，我们处理的是我们在上一节中创建的数据集。现在，借助此数据集，我们将开始实现我们的代码并创建一个基本的感知器模型。

首先，我们将 plt.scatter(x[y==0,0],x[y==0,1]) 和 plt.scatter(x[y==1,0],x[y==1,1]) 放入一个函数中，以供进一步使用，如下所示

要创建基本的感知器模型，我们必须按照以下步骤操作

步骤 1。

我们的第一步是创建一个线性模型。为此，我们必须创建我们的模型类，就像我们在具有 init() 方法和 forward() 方法的线性回归模型中实现的那样。 init() 方法类似，但 forward() 方法与线性回归模型完全不同。我们定义 forward () 如下，首先替换 self 作为第一个参数，然后我们需要传递输入 x。

之后，我们通过将我们的数据 x 传递到我们的线性模型中来进行预测。

这还不够，我们必须通过应用 sigmoid () 方法将值转换为概率，如下所示

我们的初始化已完成，现在我们可以使用它了。

步骤 2

我们将使用 Perceptron_model() 构造函数初始化一个新的线性模型，并将 input_size 和 output_size 作为参数传递。现在，打印分配给它的随机权重和偏差值，如下所示

在此之前，为了确保我们随机结果的一致性，我们可以使用 torch manual seed 为我们的随机数生成器播种，我们可以设置一个 seed 为 2，如下所示

步骤 3

我们的下一步是通过解包模型提取模型参数。这些参数以包含两个元素的列表形式提取，即 A、B，并打印两个值，如下所示

这里，A 是权重，B 是偏差。

为了简洁起见，我们使用函数以以下方式返回 A1.item()、A2.item() 和 B1[0].item() 的值

步骤 4

现在，我们使用我们以列表形式提取的参数绘制我们的线性模型。我们使用标题、直线方程等等。我们创建一个用户定义函数来绘制我们的数据。让我们看看绘制线性模型的代码。