多层感知机和神经网络的区别_【深度学习：预备知识】（1）感知机

Perceptron is a single layer neural network and a multi-layer perceptron is called Neural Networks.

从波士顿房价理解阉割版感知机

感知机(Perceptron)在1957年由Rosenblatt提出，是神经网络和支持向量机的基础

感知机是一种二类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，+1代表正类，-1代表负类。感知机属于判别模型，它的目标是要将输入实例通过分离超平面将正负二类分离

先不考虑激活函数

没有激活函数的感知机其实就是多元线性回归，也可以当最简单的二分类模型使用。如下边右图，可以将空间分成positive、negative两部分

你是一个小白，想要用波士顿房价数据集来预测房价。最简单的方式就是用下边左图的多元线性回归的方式来预测

性能加强：不考虑激活函数的多层感知机

还是预测波士顿房价的任务。你发现其实不同feature在不同district中的表现是不一样的。怎么理解呢，假如在市中心，距离地铁站feature的重要性是1，公园面积feature的重要性是10，但是到了郊区，有可能距离地铁站feature的重要性就变成10，而公园面积feature的重要性就变成1了。因为不同区域资源的稀缺程度不同

多层感知机可以解决这个问题

每一个神经元（这里没有激活函数）都可以考虑成一个专家，他就对某个区域熟悉，会根据经验对这个特定区域打分。最后的房价综合了若干个专家的意见。怎么样，现在听起来是不是更合理了

如果将多层感知机用在分类任务中，如下右图，多层感知机可以切出一个不规则三角形区域

问题：线性函数具有可加性和齐次性。任意线性函数连接都可以等价为一个单一线性函数

多个perceptron简单的堆叠最终还是会回到

的线性模式，学习能力非常有限，无法解决非线性问题

真正的感知机

感知机由4个部分组成：

1. Input values or One input layer
2. Weights and Bias
3. Net sum
4. Activation Function

因为多个perceptron简单的堆叠最终还是会回到

的线性模式，那么为了让模型拥有拟合非线性的能力，我们对每个perceptron加一个非线性函数，这样他们组合在一起不就可以解决非线性问题啦。这样的函数就叫做Activation Function，激活函数

感知机工作原理：

1. 所有的inputs
   乘以他们的weights

2. 将所有乘积都加起来

3. 将weighted sum的结果放进激活函数中

最后大于0的值全部判断为1，小于0的值全部判断为0，结束

感知机能用在哪

感知机就是没有感情的二分类机器，适用于一切二分类问题。例如买不买房，是不是诈骗犯，有没有得病，要不要买这支股票

下节预告：下节会介绍激活函数，将perceptron变强的男人