给我一段python代码实现你上面所讲的步骤

当然，以下是Python代码实现上述步骤的一个简化版示例，使用了sklearn库中的Perceptron模型，因为原生的Perceptron算法在处理连续输入时可能不是最佳选择，这里我们将其看作是一个基本的概念演示：

import numpy as np
from sklearn.linear_model import Perceptron

# 数据准备
data_and = [(0, 0, 0), (0, 1, 0), (1, 0, 0), (1, 1, 1)]
data_or = [(0, 0, 0), (0, 1, 1), (1, 0, 1), (1, 1, 1)]
labels_and = [0, 0, 0, 1]
labels_or = [0, 1, 1, 1]

# 定义AND和OR的数据
X_and = np.array([[x[0], x[1]] for x in data_and])
Y_and = np.array(labels_and)
X_or = np.array([[x[0], x[1]] for x in data_or])
Y_or = np.array(labels_or)

# 初始化Perceptron模型
perceptron_and = Perceptron()
perceptron_or = Perceptron()

# 训练感知机
perceptron_and.fit(X_and, Y_and)
perceptron_or.fit(X_or, Y_or)

# 打印AND的权重
print(f"AND操作的权重: {perceptron_and.coef_[0]}")

# 打印OR的权重
print(f"OR操作的权重: {perceptron_or.coef_[0]}")

# 测试并观察
def predict_and(x):
    return perceptron_and.predict([x])[0]

def predict_or(x):
    return perceptron_or.predict([x])[0]

# 测试数据点
test_data = [(0, 0), (0, 1), (1, 0), (1, 1)]
for x in test_data:
    print(f"A={x[0]}, B={x[1]}, AND Result: {predict_and(x)}, OR Result: {predict_or(x)}")

请注意，这只是一个基础例子，实际应用中可能需要更多复杂的预处理和评估步骤。此外，这里的Perceptron可能不会完全达到预期效果，因为它不是一个特别适合解决这类逻辑问题的模型。