用sgn函数编写一个神经元

sgn函数通常用于表示符号函数，它返回输入值的符号，即1（正数）、0（零）或-1（负数）。在构建神经网络中的单个神经元时，我们可以将其激活函数设置为sgn，但这并不常见，因为sgn函数不是连续的，不具备非线性特性，这限制了其作为激活函数的能力，比如处理梯度消失等问题。

更常见的激活函数如sigmoid、ReLU（Rectified Linear Unit）等都是连续且有助于模型学习的。然而，如果你坚持要用sgn，可以这样简单地实现一个基本的神经元：

import numpy as np

class SgnNeuron:
    def __init__(self):
        self.w = None   # 权重
        self.b = None   # 偏置

    def forward(self, x):
        return np.sign(x * self.w + self.b)  # 点积操作后应用sgn函数

    def set_weights(self, w, b):
        self.w = w
        self.b = b

    def get_output(self, input_data):
        return self.forward(input_data)

# 使用示例
neuron = SgnNeuron()
neuron.set_weights(2, 1)
output = neuron.get_output([0.5])  # 输出结果将是1或-1，取决于w和b的组合