TensorFlow - 什么是感知器（Perceptron）
TensorFlow - 什么是感知器（Perceptron）
flyfish
摘自《TensorFlow机器学习项目实战》
人工神经元
人工神经元就是使用一个数学函数来对生物的神经元建模。
简单来说，一个人工神经元就是接受一个或者多个输入（训练数据），对它们加和，并产生一个输出。一般来说，这里面的加和指的是加权求和（每个输入乘上权重，并加上一个偏差），然后将加和的输入传递给一个非线性函数（一般称作激活函数或者转移函数）。
1．最简单的人工神经元——感知器
感知器是实现人工神经元最简单的方法，它的历史可以追溯到20世纪50年代，在20世纪60年代的时候，首次被实现。
简单来说，感知器就是一个二元分类函数，它将输入映射到一个二元输出，单层感知器
2．感知器算法
简化版的感知器算法如下：
① 以一个随机分布初始化权值和偏差（通常比较小）；
② 选择一个输入向量，并将其放入神经网络中；
③ 将输入与权重相乘，并加上偏差，计算网络的输出y’；
④ 感知器的函数如下：
⑤ 如果y′≠y，将权重 wi w i 加上 Δw=yxi Δ w = y x i ；
⑥ 返回第②步。
摘自《神经网络与深度学习》
1974年，哈佛的保罗·沃波斯（Paul Werbos）写了一篇博士论文证明了在神经网络多加一层，首次给出了如何训练一般网络的学习算法。“反向传播算法”（Backpropagation Algorithm，简称BP算法）是一种监督学习算法，常被用来训练多层感知机。他后来得到了IEEE神经网络学会的先驱奖。沃波斯这篇文章刚发表时并没引起多少重视，只因那时正是神经网络研究的低谷，文章不合时宜。
Wiki
感知器
感知器使用特征向量来表示的前馈神经网络，它是一种二元分类器，把输入x（实数值向量）映射到输出值f(x)上（单个二元的值）。
w是表示权重的实数向量，
w⋅x是标量积(点积 dot product )。
b是偏置(bias)，一个不依赖于任何输入值的常数。偏置可以认为是激活函数的偏移量，或者给神经元一个基础活跃等级。
f(x)（0或1）用于对x进行分类，看它是肯定的还是否定的，这属于二元分类问题。如果
b是负的，那么加权后的输入必须产生一个肯定的值并且大于−b
，这样才能令分类神经元大于阈值（threshold）0。从空间上看，偏置改变了决策边界（decision boundary）的位置（虽然不是定向的）。
由于输入直接经过权重关系转换为输出，所以感知器可以被视为最简单形式的前馈式人工神经网络。
多层感知器
多层感知器（Multilayer Perceptron,缩写MLP）是一种前向结构的人工神经网络，映射一组输入向量到一组输出向量。MLP可以被看作是一个有向图，由多个的节点层所组成，每一层都全连接到下一层。除了输入节点，每个节点都是一个带有非线性激活函数的神经元（或称处理单元）。一种被称为反向传播算法的监督学习方法常被用来训练MLP。 MLP是感知器的推广，克服了感知器不能对线性不可分数据进行识别的弱点。
激活函数
若每个神经元的激活函数都是线性函数，那么，任意层数的MLP都可被约简成一个等价的单层感知器。实际上，MLP本身可以使用任何形式的激活函数，譬如阶梯函数或逻辑乙形函数（logistic sigmoid function），但为了使用反向传播算法进行有效学习，激活函数必须限制为可微函数。由于具有良好可微性，很多S函数，尤其是双曲正切函数（Hyperbolic tangent）及逻辑函数，被采用为激活函数。
常被MLP用来进行学习的反向传播算法，在模式识别的领域中算是标准监督学习算法，并在计算神经学及并行分布式处理领域中，持续成为被研究的课题。MLP已被证明是一种通用的函数近似方法，可以被用来拟合复杂的函数，或解决分类问题。
MLP在80年代的时候曾是相当流行的机器学习方法，拥有广泛的应用场景，譬如语音识别、图像识别、机器翻译等等，但自90年代以来，MLP遇到来自更为简单的支持向量机的强劲竞争。近来，由于深度学习的成功，MLP又重新得到了关注。
摘自《白话深度学习与TensorFlow》解释前馈神经网络
最简单最朴素的神经网络，叫做前馈神经网络（feedforward neural network）。在这种神经网络中，各神经元从输入层开始，接收前一级输入，并输入到下一级，直至输出层。整个网络中无反馈，可用一个有向无环图（directed acyclic graph，DAG）表示。
通常我们说的前馈神经网络有两种：一种叫Back PropagationNetworks——反向传播网络（以下简称BP网络），一种叫RBF Network——径向基函数神经网络。Propagation的含义是传播，所以也叫作反向传播神经网络。
BP网络是所有的神经网络中结构最为单纯的一种。
一般习惯上我们喜欢把网络画成“左边输入，右边输出”的结构，一个向量从左边进入，经过网络的运算从右边产生一个输出结果。
摘自
Perceptron: the main component of neural networks
感知器:神经网络的主要组成部分
感知器的图形表示
