单层前馈神经网络python代码

单层前馈神经网络（也称为感知器）是一种最简单的神经网络模型，它只包含一个输入层和一个输出层，没有隐藏层。以下是一个使用Python实现的单层前馈神经网络的代码示例：

import numpy as np

class SingleLayerPerceptron:
    def __init__(self, input_size):
        self.weights = np.zeros(input_size)
        self.bias = 0
    
    def predict(self, inputs):
        summation = np.dot(inputs, self.weights) + self.bias
        activation = self.step_function(summation)
        return activation
    
    def train(self, inputs, labels, learning_rate, epochs):
        for _ in range(epochs):
            for i in range(len(inputs)):
                prediction = self.predict(inputs[i])
                error = labels[i] - prediction
                self.weights += learning_rate * error * inputs[i]
                self.bias += learning_rate * error
    
    def step_function(self, x):
        return 1 if x >= 0 else 0

# 示例用法
inputs = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
labels = np.array([0, 0, 0, 1])

perceptron = SingleLayerPerceptron(input_size=2)
perceptron.train(inputs, labels, learning_rate=0.1, epochs=10)

test_inputs = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
for test_input in test_inputs:
    prediction = perceptron.predict(test_input)
    print(f"Input: {test_input}, Prediction: {prediction}")

这段代码实现了一个单层前馈神经网络（感知器），使用了numpy库进行矩阵运算。在示例中，我们使用逻辑门的数据进行训练和测试，训练后的感知器可以根据输入预测相应的输出。