weixin_43872912的博客

多层感知器是在感知器的基础上多元化，原来只是用一个感知器，但是单个感知器因为是单输出，所以只能进行二分类的操作，他并不能进行类似异或问题的求解，再次基础上前辈们提出了多层感知器。如上图所示，{a11，a12，a13}所代表的是第一层的神经元，{a21，a22}所代表的是第二层的神经元，图中的w代表的是权重。与单层感知器不同的是这里在前层神经元权重求和后，还有进行一次非线性激活函数激活，最后得到的就是该神经元的值。如上所示，其中f就是其中的激活函数，激活函数有类似sigmoid函数、tanh函数以及

在了解感知机之前的先知道1943年Mccilloch和Pitts所提出的M-P模型。M-P模型其实就是现在的神经网络中的一个神经元，但是与之不同的点在于它没有非线性激活函数激活，也不能这么说，就是没有类似sigmoid或者tanh函数激活，而它用的仅仅是一个阈值去激活。所以它的数学表达式为：此处的f函数就是阈值函数。但是这里的权重w和偏置b都是人为设定的，并不存在学习一说，这就是M-P模型与单层感知器最大的区别。感知机中的权重w和偏置b是靠学习得来的。接下来就是感知机学习算法的介绍。对于误差，