用nand实现not 机器学习中的感知器，一文掌握

发布时间 : 2024-11-23

作者 : 小编

访问数量 : 23

扫码分享至微信

机器学习中的感知器，一文掌握

在机器学习和人工智能中，感知器是所有人最常用的术语。它是学习机器学习和深度学习技术的首要步骤，由一组权重、输入值或分数以及阈值组成。感知器是人工神经网络的构建模块。最初，在 19 世纪中叶，Frank Rosenblatt 先生发明了感知器，用于执行某些计算以检测输入数据能力或商业智能。感知器是一种线性机器学习算法，用于各种二元分类器的监督学习。该算法使神经元能够学习元素并在准备过程中一一处理它们。

机器学习中的感知器模型是什么？

感知器是用于监督学习各种二元分类任务的机器学习算法。此外，感知器也被理解为人工神经元或神经网络单元，有助于检测商业智能中的某些输入数据计算。

感知器模型也被视为最好和最简单的人工神经网络类型之一。然而，它是二元分类器的监督学习算法。因此，我们可以将其视为具有四个主要参数的单层神经网络，即输入值、权重和偏差、净和以及激活函数。

机器学习中的二元分类器是什么？

在机器学习中，二元分类器被定义为帮助确定输入数据是否可以表示为数字向量并属于某个特定类别的函数。

二元分类器可以被视为线性分类器。简单来说，可以将其理解为一种可以根据权重和特征向量预测线性预测函数的分类算法。

感知器的基本组成

Frank Rosenblatt 先生发明了感知器模型作为二元分类器，其中包含三个主要组件。具体如下：

输入节点或输入层：

这是感知器的主要组件，它将初始数据接收到系统中以进行进一步处理。每个输入节点包含一个实数值。

权重和偏差：

权重参数表示单元之间的连接强度。这是感知器组件的另一个最重要的参数。权重与决定输出的相关输入神经元的强度成正比。此外，偏差可以被视为线性方程中的截距线。

激活函数：

这些是最终且重要的组成部分，有助于确定神经元是否会放电。激活函数主要可以被视为阶跃函数。

激活函数的类型：

符号函数阶跃函数S形函数

数据科学家使用激活函数根据各种问题陈述做出主观决策并形成所需的输出。通过检查学习过程是否缓慢或梯度消失或爆炸，感知器模型中的激活函数可能会有所不同（例如，Sign、Step 和 Sigmoid）。

感知器如何工作？

在机器学习中，感知器被认为是一个单层神经网络，由四个主要参数组成，即输入值（输入节点）、权重和偏差、净和以及激活函数。感知器模型首先将所有输入值及其权重相乘，然后将这些值加在一起以创建加权和。然后将该加权和应用于激活函数“f”以获得所需的输出。该激活函数也称为阶跃函数，用“f”表示。

此阶跃函数或激活函数在确保输出在所需值 (0,1) 或 (-1,1) 之间映射方面起着至关重要的作用。值得注意的是，输入的权重表明了节点的强度。类似地，输入的偏差值可以使激活函数曲线向上或向下移动。

感知器模型的工作分为以下两个重要步骤：

步骤1

第一步，首先将所有输入值与相应的权重值相乘，然后将它们相加以确定加权和。从数学上来说，我们可以计算加权和如下：

Σwi*xi = x1*w1 + x2*w2 +…wn*xn

向该加权和添加一个称为偏差“b”的特殊术语，以提高模型的性能。

Σwi*xi + b

第2步

在第二步中，将激活函数与上述加权和一起应用，这为我们提供了二进制形式或连续值的输出，如下所示：

Y = f(Σwi*xi + b)

感知器模型的类型

根据层次，感知器模型分为两种类型。具体如下：

单层感知器模型多层感知器模型

单层感知器模型：

这是最简单的人工神经网络 (ANN) 类型之一。单层感知器模型由前馈网络组成，模型内部还包含阈值传递函数。单层感知器模型的主要目标是分析具有二元结果的线性可分离对象。

在单层感知器模型中，其算法不包含记录的数据，因此它从权重参数的不稳定分配输入开始。此外，它还总结了所有输入（权重）。添加所有输入后，如果所有输入的总和大于预定值，则模型将被激活并显示输出值+1。

如果结果与预定值或阈值相同，则说明该模型的性能满足，并且权重需求不变。然而，该模型存在一些差异，这些差异是在将多个权重输入值输入模型时触发的。因此，为了找到所需的输出并最小化误差，需要对权重输入进行一些更改。

多层感知器模型：

与单层感知器模型一样，多层感知器模型也具有相同的模型结构，但具有更多数量的隐藏层。

多层感知器模型也称为反向传播算法，它分两个阶段执行，如下所示：

前向阶段：激活函数从前向阶段的输入层开始，到输出层终止。向后阶段：在向后阶段，根据模型的要求修改权重和偏差值。在此阶段，实际输出与需求之间的误差在输出层向后产生并在输入层结束。

因此，多层感知器模型被认为是具有多个层的多个人工神经网络，其中激活函数不保持线性，类似于单层感知器模型。激活函数可以执行为 sigmoid、TanH、ReLU 等，而不是线性的，以进行部署。

多层感知器模型具有更强的处理能力，可以处理线性和非线性模式。此外，它还可以实现AND、OR、XOR、NAND、NOT、XNOR、NOR等逻辑门。

多层感知器的优点：

多层感知器模型可用于解决复杂的非线性问题。它适用于小型和大型输入数据。它帮助我们在训练后获得快速预测。它有助于获得大数据和小数据相同的准确率。

多层感知器的缺点：

在多层感知器中，计算既困难又耗时。在多层感知器中，很难预测因变量对每个自变量的影响有多大。模型的功能取决于训练的质量。

感知器功能

感知器函数“f(x)”可以通过将输入“x”与学习到的权重系数“w”相乘来实现作为输出。

从数学上来说，我们可以将其表达如下：

f(x)=1;如果 w.x+b>0

否则，f(x)=0

‘w’表示实值权重向量‘b’代表偏差‘x’ 表示输入 x 值的向量。

感知器的特点

感知器模型具有以下特点。

感知机是一种用于二元分类器监督学习的机器学习算法。在感知器中，权重系数是自动学习的。最初，权重与输入特征相乘，然后决定神经元是否被激发。激活函数应用步进规则来检查权重函数是否大于零。绘制线性决策边界，从而区分两个线性可分离类+1和-1。如果所有输入值相加之和大于阈值，则必定有输出信号；否则，不会显示任何输出。

感知器模型的局限性

感知器模型具有以下局限性：

由于硬限制传递函数，感知器的输出只能是二进制数（0 或 1）。感知器只能用于对输入向量的线性可分集进行分类。如果输入向量是非线性的，则不容易对其进行正确分类。

感知器的未来

感知器模型的未来是光明和重要的，因为它有助于通过构建直观的模式并在未来应用它们来解释数据。机器学习是一项快速发展的人工智能技术，处于不断发展和发展阶段；因此，感知器技术的未来将继续支持和促进机器的分析行为，从而提高计算机的效率。

感知器模型不断变得更加先进，并在人工神经元的帮助下有效地解决复杂问题。

在单个纳米轨道中实现和重新配置基于磁天体的逻辑门

（a）具有不同拓扑电荷和螺旋数的Néel型磁天体的插图。（b）基于Skyrmions的单纳米轨道逻辑器件，两端各有两个输入，中间有一个输出。图片来源：中国科学出版社

在一个单一的纳米轨道上，一个研究小组通过DMI的局部反转以及能量屏障对天体的固定效应，实现了两个具有相反手性的Skyrmion的湮灭，融合和分流。

本研究由杨红新教授（中国科学院宁波材料技术与工程研究所）和余东兴博士（中国科学院宁波材料技术与工程研究所）领导。第一性原理计算由杨红新教授进行，磁天体动力学的微磁模拟由余东兴进行。

“磁性天体的这些动力学行为对于基于磁天体的自旋电子器件（如逻辑门，晶体管，互补赛道存储器等）的设计非常可行，”杨红新教授说。随着手性多铁性材料的增加和DMI手性切换机制的出现，基于磁天体的逻辑门有望简化为一个单一的纳米轨道，实现布尔逻辑门的完全重构。

余东兴博士、杨红新教授、Mairbek Chshiev教授与诺贝尔物理学奖获得者Albert Fert教授一起，探讨了逻辑门的重建与磁天体动力学之间的联系。通过局部控制DMI手性，该团队重建了非易失性能量势垒，以切换各种磁天体动态现象，从而实现和重新配置逻辑功能，包括AND，OR，NOT，NAND，NOR，XOR和XNOR。

通过分别将开关（a）切换到空闲，（b）到1和（c）到2来对可重构纳米轨道进行异或/或/NAND操作。XNOR/NOR/AND功能可以通过切换磁隧道结（output-MTJ）中固定层的磁化，从上述逻辑门转换而来，只有一半的NAND栅极可用于实现NOT栅极。图片来源：中国科学出版社

“这些功能或操作中的任何两个都可以通过在单个纳米轨道中使用电压控制来切换DMI的手性，轻松地从一个功能或操作转换为另一个，并且Skyrmions可以在每次操作后回收，”余东兴说。基于非易失性能量势垒的引脚和去引脚功能，该团队还模拟了skyrmion晶体管和skyrmion位复位的“开”和“关”状态。“这将是通过操纵拓扑学上不平凡的磁性结构（如磁性天体）来构建自旋电子器件的有益探索，”杨说。

与其他需要组合多个条带或一连串简单功能来执行两个或多个逻辑操作的可重构逻辑门相比，本研究通过微磁仿真实现了将七种逻辑功能实现和重新配置为一个单一的纳米轨道，从而进一步简化了基于自旋的逻辑器件的设计，并促进了基于磁天体的逻辑门的潜在应用。在信息处理领域。

该研究发表在《国家科学评论》上。