深度学习用python构建感知器代码问题

结果应该是图中的，可是我的结果都是0，不知道哪里错了，求各位大神帮忙啊

from functools import reduce
def f(t):
return t[0] * t[1]

class Perceptron(object):
def init(self,input_num,activator):
''' 初始化感知器，设置输入参数的个数，以及激活函数，激活函数的类型为double->double'''
self.activator = activator
self.weights = [0.0 for _ in range(input_num)]
# 权重向量初始化为0
self.bias = 0.0
# 偏置项初始化为0

def __str__(self):
    '''
    打印学习道德权重、偏置项
    '''
    print('weithts\t:',list(self.weights))
    return 'bias\t:%f\n' % (self.bias)

def perdict(self,input_vec):
    '''
    输入向量，输出感知器的计算结果
    '''
    # 把input_vec[x1,x2,x3...]和weights[w1,w2,w3...]打包在一起
    # 变成[(x1,w1),(x2,w2),...]
    # 然后利用map函数计算[1*w1,x2*w2,x3*w3]
    # 最后利用reduce求和
    L = map(f, zip(input_vec, self.weights))
    return self.activator(reduce(lambda a,b:a+b,L,0.0)+self.bias)

def train(self,input_vecs,labels,iteration,rate):
    '''
    输入训练数据：一组向量、与每个向量对应的label；以及训练轮数、学习率
    '''
    for i in range(iteration):
        self._one_iteration(input_vecs,labels,rate)

def _one_iteration(self,input_vecs,labels,rate):
    '''
    一次迭代，把所有的训练数据过一遍
    '''
    #把输入和输出打包在一起，成为样本的列表[(input_vec,label),...]
    #而每个训练样本是(input_vec,label)
    samples = zip(input_vecs,labels)
    #对每个样本，按照感知器规则更新权重
    for (input_vec,label) in samples:
        #计算感知器在当前权重下的输出
        output = self.perdict(input_vec)
        #更新权重
        self._update_weights(input_vec,output,label,rate)

def _update_weights(self,input_vec,output,label,rate):
    '''
    按照感知器规则更新权重
    '''
    # 把input_vec[x1,x2,x3...]和weights[w1,w2,w3...]打包在一起
    # 变成[(x1,w1),(x2,w2),...]
    #然后利用感知器规则更新权重
    def k(t):
        return t[1] + rate * delta * t[0]
    delta = label - output
    self.weights = map(k,zip(input_vec,self.weights))
    #更新bias
    self.bias += rate*delta

def m(x):
'''
定义激活函数m
'''
return 1 if x>0 else 0

def get_training_dataset():
'''
基于and真值表构建训练数据
'''
#构建训练数据
#输入向量列表
input_vecs = [[1,1],[0,0],[1,0],[0,1]]
#期望的输出列表，注意要与输入一一对应
#[1,1]->1, [0,0]->0, [1,0]->0, [0,1]->0
labels = [1,0,0,0]
return input_vecs,labels

if name == '__main__':
#训练and感知器
and_perceptron = train_and_perceptron()
#打印训练获得的权重
print(and_perceptron)
#测试
print('1 and 1 = %d' % and_perceptron.perdict([1,1]))
print('0 and 0 = %d' % and_perceptron.perdict([0,0]))
print('1 and 0 = %d' % and_perceptron.perdict([1,0]))
print('0 and 1 = %d' % and_perceptron.perdict([0,1]))

看这个 https://github.com/hanbt/learn_dl/blob/master/perceptron.py

```python #你的代码改成这样可以正确执行@牧飞#
#!/usr/local/bin/python2.7

-- coding: UTF-8 --

moofei,mufei, 牧飞

from functools import reduce
def f(t):
return t[0] * t[1]
class Perceptron(object):
def init(self,input_num,activator):
''' 初始化感知器，设置输入参数的个数，以及激活函数，激活函数的类型为double->double'''
self.activator = activator
self.weights = [0.0 for _ in range(input_num)]
# 权重向量初始化为0
self.bias = 0.0
# 偏置项初始化为0
def str(self):
'''
打印学习道德权重、偏置项
'''
print('weithts\t:',list(self.weights))
return 'bias\t:%f\n' % (self.bias)

def perdict(self,input_vec):
    '''
    输入向量，输出感知器的计算结果
    '''
    # 把input_vec[x1,x2,x3...]和weights[w1,w2,w3...]打包在一起
    # 变成[(x1,w1),(x2,w2),...]
    # 然后利用map函数计算[1*w1,x2*w2,x3*w3]
    # 最后利用reduce求和
    L = map(f, zip(input_vec, self.weights))
    return self.activator(reduce(lambda a,b:a+b,L,0.0)+self.bias)

def train(self,input_vecs,labels,iteration,rate):
    '''
    输入训练数据：一组向量、与每个向量对应的label；以及训练轮数、学习率
    '''
    for i in range(iteration):
        self._one_iteration(input_vecs,labels,rate)

def _one_iteration(self,input_vecs,labels,rate):
    '''
    一次迭代，把所有的训练数据过一遍
    '''
    #把输入和输出打包在一起，成为样本的列表[(input_vec,label),...]
    #而每个训练样本是(input_vec,label)
    samples = zip(input_vecs,labels)
    #对每个样本，按照感知器规则更新权重
    for (input_vec,label) in samples:
        #计算感知器在当前权重下的输出
        output = self.perdict(input_vec)
        #更新权重
        self._update_weights(input_vec,output,label,rate)

def _update_weights(self,input_vec,output,label,rate):
    '''
    按照感知器规则更新权重
    '''
    # 把input_vec[x1,x2,x3...]和weights[w1,w2,w3...]打包在一起
    # 变成[(x1,w1),(x2,w2),...]
    #然后利用感知器规则更新权重
    def k(t):
        return t[1] + rate * delta * t[0]
    delta = label - output
    self.weights = map(k,zip(input_vec,self.weights))
    #更新bias
    self.bias += rate*delta

def m(x):
'''
定义激活函数m
'''
return 1 if x>0 else 0

def train_and_perceptron():
'''
使用and真值表训练感知器
'''
#创建感知器，输入参数个数为2（因为and是二元函数），激活函数为m
p = Perceptron(2,m)
#训练，迭代10轮，学习速率为0.1
input_vecs,labels = get_training_dataset()
p.train(input_vecs,labels,10,0.1)
#返回训练好的感知器
return p
if name == '__main__':
#训练and感知器
and_perceptron = train_and_perceptron()
#打印训练获得的权重
print(and_perceptron)
#测试
print('1 and 1 = %d' % and_perceptron.perdict([1,1]))
print('0 and 0 = %d' % and_perceptron.perdict([0,0]))
print('1 and 0 = %d' % and_perceptron.perdict([1,0]))
print('0 and 1 = %d' % and_perceptron.perdict([0,1]))

深度学习用python构建感知器代码问题

-*- coding: UTF-8 -*-

moofei,mufei, 牧飞

-- coding: UTF-8 --