Python 单层感知器

我正在努力实现一个单层感知器：。根据权重，我的程序要么在学习循环中丢失，要么找到错误的权重。作为测试用例，我使用逻辑AND。你能告诉我为什么我的感知器不能收敛吗？这是为了我自己的学习。谢谢

# learning rate
rate = 0.1

# Test data
# logical AND
# vector = (bias, coordinate1, coordinate2, targetedresult)

testdata = [[1, 0, 0, 0], [1, 0, 1, 0], [1, 1, 0, 0], [1, 1, 1, 1]]

# initial weigths
import random
w = [random.random(), random.random(), random.random()]
print 'initial weigths = ', w

def test(w, vector):
    if diff(w, vector) <= 0.1:
        return True
    else:
        return False

def diff(w, vector):
    from copy import deepcopy
    we = deepcopy(w)
    return dirac(sum(we[i]*vector[i] for i in range(3))) - vector[3]

def improve(w, vector):
    for i in range(3):
        w[i] += rate*diff(w, vector)*vector[i]
    return w

def dirac(z):
    if z > 0:
        return 1
    else:
        return 0

error = True

while error == True:
    discrepancy = 0
    for x in testdata:
        if not test(w, x):
            w = improve(w, x)
            discrepancy += 1
    if discrepancy == 0:
        print 'improved weigths = ', w
        error = False

#学习率
比率=0.1
#测试数据
#逻辑与
#向量=（偏差、坐标1、坐标2、目标结果）
testdata=[[1,0,0,0]，[1,0,1,0]，[1,1,0,0]，[1,1,1,1]]
#初始重量
随机输入
w=[random.random（），random.random（），random.random（）]
打印“初始重量=”，w
def测试（w，矢量）：
如果差值（w，矢量）为0：
返回1
其他：
返回0
错误=真
当error==True时：
差异=0
对于testdata中的x：
如果未进行试验（w，x）：
w=改善（w，x）
差异+=1
如果差异==0：
打印“改进的重量=”，w
错误=错误

看起来您需要一个额外的循环来围绕for循环迭代改进，直到您的解决方案趋于一致（您链接的Wikipedia页面中的步骤3）

现在，您只给每个训练案例一次更新权重的机会，因此它没有收敛的机会

我能看到的唯一故障是激活功能。增加截止值，

（z>0.5）

此外，由于每个历元中只有4个输入案例，因此很难使用0和1作为唯一的输出。尝试删除dirac函数并将阈值增加到0.2。学习可能需要更长的时间，但会更加精确。当然，在NAND的情况下，你真的不需要。但这有助于理解

---

也许使用打印语句或调试器？更好的问题。谢谢。它非常容易实现。我开始想也许是因为我一次又一次地改变体重，但我应该同时改变它们。我将使用参数。