从逻辑电路到神经网络：用Python和NumPy手把手复现感知机（附完整代码）

在人工智能的浩瀚星空中，感知机犹如第一颗被点亮的星辰。1957年，Frank Rosenblatt提出的这个简单模型，不仅打开了机器学习的大门，更揭示了生物神经元计算的基本原理。今天，当我们用Python重现这段历史时，实际上是在进行一场跨越60年的对话——用现代工具解构经典思想。

本文将带您从电子工程的角度出发，通过构建与门、或门等基础逻辑电路，逐步深入到感知机的数学本质。不同于单纯的概念讲解，我们更关注如何用代码将理论转化为可运行的模型。您将亲手实现：

• 用NumPy向量化运算模拟神经元激活过程
• 通过权重和偏置的调整实现不同逻辑功能
• 可视化决策边界来直观理解线性可分性

1. 环境准备与基础概念

在开始编码之前，我们需要明确几个核心概念。感知机本质上是一个二分类器，其工作原理可以用一个生活场景类比：假设你在决定是否出门野餐，会综合考虑天气（x₁）、心情（x₂）等因素，给每个因素赋予不同重要性（w₁, w₂），最后当总分超过某个标准（θ）时就做出决定。

技术实现上需要以下准备：

python复制import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import Perceptron  # 用于对比验证

关键数学表达：

code复制输出 = 1 if w·x + b > 0 else 0

其中·表示向量点积，b是偏置项（即阈值的负数）。这种表示法与现代神经网络完全一致，体现了感知机的历史延续性。

2. 实现基础逻辑门电路

2.1 与门(AND Gate)实现

让我们从最基础的与门开始。根据真值表，只有当两个输入都为1时输出才为1。用NumPy实现时，可以充分利用其广播特性：

python复制def AND_gate(x1, x2):
    # 手动设置的权重参数
    weights = np.array([0.5, 0.5])
    bias = -0.7
    weighted_sum = np.sum(weights * np.array([x1, x2])) + bias
    ret