本文介绍了MP神经元的基本概念，它作为神经网络的早期模型，具备多个输入和一个输出的特点。通过加权求和与阈值判断实现二分类。感知器作为最简单的神经网络，其神经元没有激活函数，仅能进行线性二分类。训练过程中，通过调整权重以减少错误分类。感知器的损失函数直观且直接，对于错误分类的样本进行权重更新。整个学习过程简洁而有效。
MP神经元其实就是仿造生物神经元产生的
特点：多个输入，一个输出
对多个输入进行加权求和，得到一个输出。
就是我们现在神经网络中的一个神经元，MP神经元是最早产生的神经元，所以有个别样的名字，其实它就是个神经元；然后对输出确定一个阈值，进行2分类，看这个神经元是兴奋还是抑制
它是神经网络的基础
感知器是最简单的神经网络
感知器中的神经元没有激活函数，所以它只能对数据进行线性二分类；它的结构就是神经网络的结构
函数
如图所示，进行二分类，求得结果大于0即为正类，反之为负类。
参数训练过程
yWx可以代表它的分类情况，如果yWx>0(y和Wx同号)，说明预测正确，反之则是错误的。
每次分错一个样本(X , y)时，即y*WX < 0；
所以，它的训练过程正好利用到了这一点。
用错分的样本来更新权重 w = w+yx
若yWX < 0，则说明w和yx异号，更新时要往反方向走；
若yWX > 0，则说明w和yx同号，就不对参数做更新；
然后，也能推出感知器的损失函数
对每个样本来说，如果预测正确（yWX > 0），损失为0；反之（yWX < 0），则为-yWX；是比较简单粗暴的方式。
下面是感知器的整个学习过程
扫一扫
2716
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
