使用keras实现单层感知机的与门

在Keras库中，实现一个单层感知机（Perceptron）的与门函数可以看作是一个简单的线性模型，其中激活函数通常会选择`sigmoid`或`binary_crossentropy`（对于二分类问题）。然而，与门逻辑运算实际上是由`tf.keras.layers.Dense`层配合`Activation('sigmoid')`完成的，假设我们仅用于模拟经典的人工神经网络的简单逻辑门。

以下是一个基本的例子：

import tensorflow as tf
from tensorflow import keras

# 定义输入维度和隐藏层大小
input_dim = 2  # 假设输入有两个特征
hidden_units = 1  # 单个神经元作为与门

# 创建一个Sequential模型
model = keras.Sequential()

# 添加一个全连接（Dense）层，激活函数为Sigmoid，代表与门
model.add(keras.layers.Dense(units=hidden_units, activation='sigmoid'))

# 假设输入数据shape是(batch_size, input_dim)
# 输入层不需要激活函数，因为后续的sigmoid会处理非线性
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 对于训练数据x_train和目标y_train，你可以这样做：
# model.fit(x_train, y_train, epochs=10, batch_size=32)

在这个例子中，如果`sigmoid`值接近1，它表示与门是打开的，输出接近1；如果`sigmoid`值接近0，则与门关闭，输出接近0，实现了逻辑与的功能。