机器学习12-基本感知器

感知器（Perceptron）是一种最简单的人工神经网络结构，由美国心理学家Frank Rosenblatt在1957年提出。它是一种单层的前馈神经网络，通常用于二分类问题。

基本感知器由多个输入节点、一个输出节点和一组权重参数组成。每个输入节点都与输出节点连接，并且具有一个对应的权重参数，用来调节输入的重要性。感知器的输出是输入的线性组合，通过一个激活函数进行转换，最终输出一个二进制值（通常是 0 或 1）。

感知器的计算过程如下：
1. 输入层接收输入数据，并将每个输入乘以对应的权重参数。
2. 将所有加权求和的结果输入到激活函数中。
3. 激活函数根据加权求和的结果输出一个二进制值，作为感知器的输出。

 

感知器最常用的激活函数是阶跃函数（Step Function），当加权求和结果大于等于某个阈值时，输出1；否则输出0。这种感知器也称为阈值感知器。感知器的训练目标是通过调整权重参数，使得感知器能够正确地分类输入数据。

 

计算示例：

假设我们有一个最简单的神经网络，共有两层：输入层和输出层。输入层有两个节点，分别为  和