在神經網路中，我們主要使用的是一種稱為s型神經元的神經元模型。感知器就是我們所謂的「人工神經元」。那麼感知器怎麼工作的呢，接下來我們來談談。
1.感知器工作機制：
上圖中有x1，x2和x3輸入，一般情況下我們可以引入權重w1,w2和w3來表示輸入對輸出的重要性，這時可以計算w1 * x1 +w2 * x2 +w3 * x3，即分配權重後的總和 ∑j wjxj。當總和大於閾值的時候，神經元輸出1；當小於閾值的時候，神經元輸出0。即：
這就是乙個人工神經元(感知器要做的事情)
2.神經網路模型：
(1)在神經網路中第一列感知器稱為第一層感知器，也稱之為輸入層，通過權衡輸入依據做出乙個重要的決決策，以這種方式，第二層中感知器可以做出比第一層中更為複雜和抽象的決策，第三層中的感知器甚至能進行更為複雜的決策。(這個地方要注意：感知器只有乙個輸出，即感知器是單輸出的)
(2)在神經網路中，我們把∑ wjxj 改寫成點乘，w · x ≡∑wjxj；把閾值改為偏置項，偏置項b=threshold，我們使用偏置項而不是用閾值，那麼感知器的規則可以寫成下面這種形式：
我們把偏置項用來表示感知器輸出1是有多容易的一種估算，這種應用是依據權衡依據來做出決策的方法，而感知器被採用的另一種方式是計算基本的邏輯功能
3.感知器優點：微小的改動能夠僅僅引起輸出的微小變化，那我們可以利事實來修改權重和偏置，讓我們的網路能夠表現得像我們想要的那樣。
缺點：網路中單個感知器上乙個權重或偏置的微小改動有時候會引起那個感知器的輸出完全翻轉，如 0 變到 1。那樣的翻轉可能接下來引起其餘網路的行為以極其複雜的方式完全改變
神經網路學習之感知器
基於m p模型中權重引數需要人為設定的問題，1958年羅森布拉特 roseblatt 提出了感知器，經過訓練，計算機能夠確定神經元的連線權重，由此，神經網路迎來了第一次熱潮。感知器主要有輸入層和輸出層，其中，輸入層接收外界輸入訊號後傳遞給輸出層，輸出層是m p神經元。表示式 誤差修正學習策略 設定訓...
人工神經網路之感知器演算法
感知器作為人工神經網路中最基本的單元，有多個輸入和乙個輸出組成。雖然我們的目的是學習很多神經單元互連的網路，但是我們還是需要先對單個的神經單元進行研究。感知器演算法的主要流程 首先得到n個輸入，再將每個輸入值加權，然後判斷感知器輸入的加權和最否達到某一閥值v，若達到，則通過sign函式輸出1，否則輸...
神經網路 異或 神經網路學習之感知器
基於m p模型中權重引數需要人為設定的問題，1958年羅森布拉特 roseblatt 提出了感知器，經過訓練，計算機能夠確定神經元的連線權重，由此，神經網路迎來了第一次熱潮。感知器結構 感知器主要由輸入層和輸出層，其中，輸入層接收外界輸入訊號後傳遞給輸出層，輸出層是m p神經元。表示式 感知器如何自...