深度学习笔记（一）——感知机模型（Perceptron Model）

最新推荐文章于 2025-03-18 14:42:05 发布
最新推荐文章于 2025-03-18 14:42:05 发布
阅读量2w 收藏 93
点赞数 15
分类专栏： 深度学习 Python NLP 文章标签： 学习 神经网络 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ADwenwen/article/details/124783055
版权
本文介绍了神经网络的基础——单层感知机模型，包括其灵感来源、神经元模型的数学表达、学习过程以及单层感知机的局限性。感知机通过权重和阈值的学习，能实现线性可分数据的分类，但无法解决线性不可分问题。为扩展其能力，文章提到了多层感知机（即人工神经网络）的概念。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

零、引言

         感知机，也叫单层神经网络，是最基础的神经网络模型结构。

        神经网络模型由生物神经中得到启发。在生物神经元细胞中，神经突触接收到信号，经过接收并处理信号后判断信号的信息强弱，来做出不同神经电位变化反应。受此启发，科研人员设计出基础的神经网络模型结构，神经元模型（Neuron Model）。

一、神经元模型

        下图为一个最简单的“M-P神经元结构”，该模型1943年提出，并一直沿用至今：

        从模型示意图看，对于一个单一的神经元模型，其中\{x_1, x_2,...,x_i,...,x_n\}为该模型的输入数据；\{\omega_1,\omega_2,...,\omega_i,...,\omega_n \}为神经元模型计算参数，与输入数据维度一一对应，用于反应输入数据各维度的权重；

最低0.47元/天 解锁文章
什么是多层感知机（MLP）?
candy的博客
12-11 2083
在机器学习和深度学习的广阔领域中，多层感知机（Multilayer Perceptron，MLP）作为一种基础且重要的神经网络模型，具有广泛的应用和深远的影响力。它能够处理各种复杂的任务，从图像识别、自然语言处理到数据预测等多个方面都展现出了强大的能力。
机器学习——感知机模型
Bio大恐龙
03-07 4839
感知机模型的定义以及介绍，数学推导过程、代码实现感知机模型迭代过程。
什么是感知机（超详细 | 图文）
热门推荐
Xav Pun的博客
05-07 2万+
本文以图文的形式，通俗易懂地介绍 “感知机” 的结构原理。
深度学习之感知机
God_68的博客
12-25 843
感知机作为神经网络的起源算法，在1957年是由美国学者Frank Rosenblatt 提出来的。其实，感知机也被称为“人工神经元”或“朴素感知机”，因为在一般情况下的处理都是共通的，所以就被统称为“感知机”了。 那么，感知机到底是什么呢？ 下图是有两个输入信号的感知机的例子：和 是输入信号， 是输出信号，其中和分别是和 的权重。图中符号“”表示的是“神经元”或“节点”。当输入信号和 被输入至...
多层感知机
最新发布
yxx122345的博客
03-18 832
感知机（Perceptron）是神经网络的基本单元，由 Frank Rosenblatt 在 1957 年提出。它是一个二分类模型，输入为特征向量，输出为类别标签（如 0 或 1）。yfw⋅xbyfw⋅xb其中：xxx是输入特征向量，www是权重向量，bbb是偏置项，fff是激活函数（如阶跃函数）。
2.1 感知机模型及策略
qq_40787900的博客
08-25 1086
希望大家能够一起探讨一下第三大点。
感知机模型(Perceptron)|机器学习方法（李航）
g527064298的博客
01-11 1015
试想一下，在一个盒子里面一个哈密瓜和一个西瓜。你只能用手摸判断哪个是哈密瓜，哪个是西瓜。我们用手摸两个瓜的大小，纹理等特征，然后我们的大脑会根据收集到数据和我们大脑中认知的哈密瓜和西瓜的特征进行对比，识别到哪个是哈密瓜，哪个是西瓜。在上面例子中用手摸两个瓜的大小、纹理两个特征，是一个数据收集的过程，然后我们的到一个二维的数据集。我们大脑中认知的哈密瓜和西瓜的特征，就是一个训练好的模型。我们将收集到的数据集传入模型，就能知道哪个是哈密瓜，哪个是西瓜。在了解感知机后，我们需要了解在数学上怎样实现感知机的。
感知机模型
zakexu的专栏
05-16 1642
（一）简介 1.感知机是二分类的线性分类模型，输入是特征向量，输出是类别，取+1跟-1二值； 2.感知机学习旨在求出将训练数据进行线性划分的分离超平面： 其中w是超平面的法向量，b是超平面的截距； （二）模型 1.分离超平面将样本点分成两部分，位于法向量w所指向的一面是正样本，另一面则是负样本； 2.由输入空间到输出空间的模型函数如下： （三）策略 1.特征空间中任
深度学习：感知机
paipaixingong的博客
01-21 777
感知机是作为神经网络的起源的算法。 1、什么是感知机 感知机接受多个信号，输出一个信号。感知机的信号只有两种取值(1/0)。
机器学习笔记12——感知机模型原理以及python实现案例
weixin_45666566的博客
07-13 1658
感知机1、概述2、感知机模型2.1 定义2.2 损失函数3、感知机算法3.1 原始形式3.2 对偶形式4、感知机与其他算法 1、概述 感知机是由美国学者FrankRosenblatt 在1957 年提出来的，被看作为神经网络（深度学习）的起源的算法，同时也是支持向量机的基础。 严格讲，应该称为“人工神经元”或“朴素感知机”，但是因为很多基本的处理都是共通的，所以这里就简单地称为“感知机”。 感知机是二分类的线性模型，其输入是实例的特征向量，输出的是事例的类别，分别是+1和-1，属于判别模型。 感知机要求数据
学习笔记：深度学习（1）——基础概念和激活函数
Morganfs的博客
04-10 1万+
学习时间：2022.04.08~2022.04.09 主要梳理深度学习的最基础的一些概念，以及14个激活函数。
【深度学习】pytorch——神经网络工具箱nn
urge的博客
11-06 1536
PyTorch神经网络工具箱nn是一个用于构建深度学习模型的核心模块。它提供了一组简单而灵活的API，可以轻松地定义、训练和评估各种类型的神经网络。nn模块中包含了许多预定义的模块和方法，如线性层、卷积层、循环神经网络、损失函数等，可以直接调用这些模块来构建深度学习模型。以下是nn模块的主要功能：定义神经网络模型：可以使用nn模块定义各种类型的神经网络。通过继承nn.Module类，可以创建一个自己的神经网络类，并在其中定义各个层的结构和参数。
机器学习实战笔记9——深度神经网络
weixin_44916097的博客
05-27 1751
任务安排 1、机器学习导论       7、逻辑回归 2、KNN及其实现       8、核方法 3、K-means聚类       9、深度神经网络 4、主成分分析          10、？ 5、线性判别分析&nbsp
【机器学习算法】感知机模型
Mankind的博客
02-17 1292
1.感知机模型   感知机模型是一个二分类的模型，它通过形如y=wx+by=wx+by=wx+b的式子将实例x转换为类别，取+1和-1表示，从而将实例进行划分。它是简单并且容易实现的一个模型。   感知机模型主要用来将平面上线性可分的数据集进行划分，对于线性不可分的数据集，感知机无法收敛。   感知机模型的输入输出由以下函数进行映射，其中w是n维空间的一个向量，b是偏置，sign是符号函数。 f(...
深度学习-感知机
09-06 791
感知机是神经网络的基石，尽管单层感知机只能解决线性问题，但多层感知机通过引入隐含层、非线性激活函数和梯度下降，使得它成为深度学习中复杂网络结构的基础。这使得感知机在深度学习中扮演了关键角色，帮助实现了图像识别、语音识别等诸多现代人工智能应用。
回归模型——感知机 C++带类实现及案例
05-22
感知机是二分类的线性分类模型，其输入为实例的特征向量，输出为实例的类别，取 +1 和 -1 二值。感知机对应于输入空间（特征空间）中将实例划分为正负两类的分离超平面，属于判别模型。 感知机学习算法是基于随机梯度下降法的。具体地，首先任意选取一个超平面，然后用梯度下降法不断地极小化目标函数，找出最优超平面。 以下是感知机算法的C++类实现及案例代码： ```c++ #include <iostream> #include <vector> #include <random> using namespace std; class Perceptron { public: Perceptron(int feature_num) : w(feature_num), b(0) {} void train(const vector<vector<double>>& X, const vector<double>& y, int max_iter = 100) { int n_samples = X.size(); int n_features = X[0].size(); mt19937 rng(0); uniform_int_distribution<int> dist(0, n_samples - 1); for (int iter = 0; iter < max_iter; iter++) { int i = dist(rng); double wx = 0; for (int j = 0; j < n_features; j++) { wx += X[i][j] * w[j]; } double yi = y[i]; if (yi * (wx + b) <= 0) { for (int j = 0; j < n_features; j++) { w[j] += yi * X[i][j]; } b += yi; } } } double predict(const vector<double>& x) { double wx = 0; int n_features = x.size(); for (int i = 0; i < n_features; i++) { wx += x[i] * w[i]; } return wx + b > 0 ? 1 : -1; } void print_weights() const { cout << "w = ["; for (double wi : w) { cout << wi << ", "; } cout << "], b = " << b << endl; } private: vector<double> w; double b; }; int main() { vector<vector<double>> X{ {3, 3}, {4, 3}, {1, 1} }; vector<double> y{1, 1, -1}; Perceptron model(X[0].size()); model.train(X, y); model.print_weights(); cout << "predict([3, 4]) = " << model.predict({3, 4}) << endl; return 0; } ``` 在上述代码中，Perceptron类代表感知机模型。train函数接受训练数据X和y，以及最大迭代次数max_iter，默认为100。predict函数接受一个样本特征向量x，返回其预测的类别标签。print_weights函数打印训练后得到的权重和偏置项。 本例中，使用学习率为1的随机梯度下降法进行模型训练。训练数据X是一个3x2的矩阵，y是一个包含3个元素的向量，表示3个样本的类别标签。模型训练完毕后，使用predict函数对特定样本进行预测。 以上是感知机算法的C++类实现及案例代码，希望对你有所帮助。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值