神经网络基础运用M-P模型实现或门的完整python代码

神经网络可以用于模拟逻辑运算，如AND、OR等。M-P模型通常是指 McCulloch-Pitts (MP) 网络模型的一个简化版本，它是一种简单的二元神经元模型。这里我将展示一个基本的Python代码，使用神经元来实现一个OR逻辑门：

import numpy as np

# 定义sigmoid激活函数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# 定义神经元类
class Neuron:
    def __init__(self, weights):
        self.weights = weights

    # 计算神经元输入的加权和
    def compute_output(self, inputs):
        weighted_sum = sum(inputs * self.weights)
        return sigmoid(weighted_sum)

# 实现OR门
def or_gate(neuron1, neuron2):
    weights = [0, 1]  # 第一个神经元对第二个输入（输入A）置零权重
    network = Neuron(weights)
    input_A = np.array([0, 1])  # 输入A为0，B为1
    input_B = np.array([1, 0])  # 输入B为1，A为0
    output_A = network.compute_output(input_A)
    output_B = network.compute_output(input_B)
    
    print(f"Input A: {input_A}, Output A: {output_A}")
    print(f"Input B: {input_B}, Output B: {output_B}")

# 创建神经元实例并运行OR门
neuron1 = Neuron([1, -1])
neuron2 = Neuron([-1, 1])  # 同理，我们可以为第二个输入设置负权重
or_gate(neuron1, neuron2)

这个例子中，我们创建了两个简单神经元，每个神经元有两组权重分别对应输入A和B。当输入A为0，B为1时，神经元1计算结果接近于0；而当输入B为1，A为0时，神经元2计算结果也接近于0。因为sigmoid函数的性质，它们的输出会接近于0，表示OR门的结果接近于False。通过调整权重，我们可以让神经元输出更接近于逻辑上的True。