【深度学习】感知机的学习

川水233

于 2024-09-05 14:32:56 发布

阅读量232

点赞数 9

文章标签：深度学习学习人工智能

本文链接：https://blog.csdn.net/weixin_74862868/article/details/141883771

版权

感知机是什么

感知机是接收多个信号，输出一个信号。可以举一个示例，x1,x2为输入引号，y为输出引号，w1,w2为权重（与输入特征向量的特征对应），o为节点（神经元）。输入信号被送进节点，会被乘上权重，节点会计算传过来的信号的总和，当总和达到或超过一个界限，才输出为1。这个界限值为 $\theta$ 。

感知机的局限性

感知机的局限性在于它只能解决线性可分问题，对于非线性问题如异或门（XOR）,单层感知机就无法解决。（之后的笔记我会解释的）

用数学式表达

$y=0 (w1x1+w2x2\leq \theta ) y=1 (w1x1+w2x2 > \theta )$

感知机的简单逻辑

与门

与门用符号表示时AND,是一种基本的逻辑门电路。它有多个输入信号，但是他只有一个输出信号。我记的窍门是“输入信号均为1时，输出才为1，反之为0”.

将感知机应用上与门上，我假设两个输入信号为x1,x2，权重(weight)为w1,w2都为1，阈值为 $\theta$ ，其值为1.5。当两个输入信号都是1时，加权求和结果为2（用上面我写的表达式算的结果）超过了阈值1.5，感知机输出为1。这就是与门的逻辑

与非门

与非门用符号表示为NAND,简单理解就是实现了与门()AND操作后再进行非（NOT）的操作，我记得窍门是“当输入信号都为1时，输出信号才为0，反之输出信号为1”.

我假设两个输入信号为x1,x2，权重(weight)为w1,w2为-2，阈值为 $\theta$ 为-3.当两个输入都是1时，加权和为 w1x1 + w2x2 = -4，小于阈值-3，因此输出0。在其他情况下，比如 x1 = 0 或 x2 = 0 （或两者都是0），加权和会是0或-2，这都大于等于阈值-3，所以输出1。

感知机能够实现与非门的逻辑功能，这展示了感知机作为基本的线性分类器，能够处理简单的逻辑运算。

或门

或门用符号表示为OR,我记的窍门是只要输入中至少有一个为1，输出就为1；所有输入都为0时，输出为0。在感知机中可以通过调整权重和阈值来实现。

我假设两个输入信号为x1,x2，权重为w1,w2。w1,w2值为1，阈值 $\theta$ 为0.5。这样，感知机的输出 y 可以表示为：y = H(x1 + x2 - $\theta$ )
其中 H 是阶跃函数， x1 和 x2 是输入信号。当x1=1或x2=1或者两者都为1时，加权和 x1 + x2 至少为1，加上负的阈值 $\theta$ = -0.5 后，加权和仍然大于或等于0，因此输出 y = 1 。只有当 x1 = 0 且 x2 = 0 时，加权和为0，小于阈值，输出 y = 0 。