【深度学习】（一）感知机

XiaoE爱食橙

已于 2022-03-23 13:46:44 修改

阅读量904

点赞数 1

分类专栏：深度学习文章标签： python

于 2021-08-16 18:20:13 首次发布

原文链接：https://www.zybuluo.com/hanbingtao/note/433855

版权

深度学习专栏收录该内容

10 篇文章 2 订阅

订阅专栏

本文介绍了深度学习的基础概念，包括神经网络的结构和深度学习的优势。通过感知器这一基本单位，解释了其工作原理，并通过实例展示了如何用感知器实现逻辑运算，如AND和OR。此外，还探讨了感知器的局限性，如无法解决非线性问题。最后，简述了感知器的训练过程和权重更新规则。

摘要由CSDN通过智能技术生成

转载自：零基础入门深度学习(1) - 感知器 - 作业部落 Cmd Markdown 编辑阅读器

深度学习是啥

在人工智能领域，有一个方法叫机器学习。在机器学习这个方法里，有一类算法叫神经网络。神经网络如下图所示：

上图中每个圆圈都是一个神经元，每条线表示神经元之间的连接。我们可以看到，上面的神经元被分成了多层，层与层之间的神经元有连接，而层内之间的神经元没有连接。最左边的层叫做输入层，这层负责接收输入数据；最右边的层叫输出层，我们可以从这层获取神经网络输出数据。输入层和输出层之间的层叫做隐藏层。

隐藏层比较多（大于2）的神经网络叫做深度神经网络。而深度学习，就是使用深层架构（比如，深度神经网络）的机器学习方法。

那么深层网络和浅层网络相比有什么优势呢？简单来说深层网络能够表达力更强。事实上，一个仅有一个隐藏层的神经网络就能拟合任何一个函数，但是它需要很多很多的神经元。而深层网络用少得多的神经元就能拟合同样的函数。也就是为了拟合一个函数，要么使用一个浅而宽的网络，要么使用一个深而窄的网络。而后者往往更节约资源。

深层网络也有劣势，就是它不太容易训练。简单的说，你需要大量的数据，很多的技巧才能训练好一个深层网络。这是个手艺活。

感知器

看到这里，如果你还是一头雾水，那也是很正常的。为了理解神经网络，我们应该先理解神经网络的组成单元——神经元。神经元也叫做感知器。感知器算法在上个世纪50-70年代很流行，也成功解决了很多问题。并且，感知器算法也是非常简单的。

感知器的定义

下图是一个感知器：

可以看到，一个感知器有如下组成部分：

输入权值 一个感知器可以接收多个输入 $(x_1, x_2,...,x_n\mid x_i\in\Re)$ ，每个输入上有一个权值 $w_i\in\Re$ ，此外还有一个偏置项 ，就是上图中的。
激活函数 感知器的激活函数可以有很多选择，比如我们可以选择下面这个阶跃函数 来作为激活函数：

输出感知器的输出由下面这个公式来计算

如果看完上面的公式一下子就晕了，不要紧，我们用一个简单的例子来帮助理解。

例子：用感知器实现`and`函数

我们设计一个感知器，让它来实现and运算。程序员都知道，and是一个二元函数（带有两个参数和），下面是它的真值表：

为了计算方便，我们用0表示false，用1表示true。这没什么难理解的，对于C语言程序员来说，这是天经地义的。

我们令 $w_1=0.5;w_2=0.5;b=-0.8$ ，而激活函数就是前面写出来的阶跃函数，这时，感知器就相当于and函数。不明白？我们验算一下：

输入上面真值表的第一行，即 $x_1=0;x_2=0$ ，那么根据公式(1)，计算输出：

也就是当 $x_1x_2$ 都为0的时候， $y$ 为0，这就是真值表的第一行。读者可以自行验证上述真值表的第二、三、四行。

例子：用感知器实现`or`函数

同样，我们也可以用感知器来实现or运算。仅仅需要把偏置项的值设置为-0.3就可以了。我们验算一下，下面是or运算的真值表：

我们来验算第二行，这时的输入是 $x_1=0;x_2=1$ ，带入公式(1)：

也就是当 $x_1=0;x_2=1$ 时， $y$ 为1，即or真值表第二行。读者可以自行验证其它行。

感知器还能做什么

事实上，感知器不仅仅能实现简单的布尔运算。它可以拟合任何的线性函数，任何线性分类或线性回归问题都可以用感知器来解决。前面的布尔运算可以看作是二分类问题，即给定一个输入，输出0（属于分类0）或1（属于分类1）。如下面所示，and运算是一个线性分类问题，即可以用一条直线把分类0（false，红叉表示）和分类1（true，绿点表示）分开。