一 引言
感知器神經網路是一種典型的前饋神經網路，具有分層結果，資訊叢輸入層進入網路，逐層向前傳遞至輸出層。根據感知器神經元轉移函式、隱層數以及權值調整規則的不同，可以形成具有各種功能特點的神經網路
二 定義與理解
單層感知器：2023年，美國心理學家frank rosenblatt 提出一種具有單層計算單元的神經網路，成為perceptron，即感知器。
單層感知器的結構和功能非常簡單，以至於目前在解決實際問題時很少被採用，但由於它是神經網路的基礎，適合作為神經網路學習的起點。
三 感知器模型
單層感知器：只有一層處理單元的感知器，如果包括輸入層在內，應為兩層。
結構圖如下圖一：圖中輸入層也稱為感知層，有n個神經元節點，這些節點只負責引入外部資訊，自身沒有資訊處理能力。每個節點接收乙個輸入訊號，n個輸入訊號構成輸入列向量x。
輸出層也稱為處理層，有m個神經元節點，每個節點均具有資訊處理能力，m個節點向外部輸出處理資訊，構成輸出列向量o。兩層之間的連線權值用權值列向量wj表示，m個權向量構成單層感知器權值矩陣w。
三種列向量分別表示為圖二：
x ：輸入列向量， o輸出列向量， w 權列向量
離散型單計算層感知器的轉移函式一般採用符號函式（或單極性閥值函式）。公式如下
感知器的輸出，計算公式為：
四 感知器給鴛尾花資料分類
1 感知器的轉移函式為符號函式，它適用於做離散型的分類問題，鴛尾花資料集是乙個很出名的資料集，在r語言中也有這個資料報。這裡我們引入的鴛尾花資料為，4種型別的花，每種花有4個屬性。我們這裡直取兩種花，給兩種花做分類。
2 程式如下：
1> 引入鴛尾花資料集：
from sklearn.datasets import load_iris
2> 只取兩種花的資料，給引入的資料做處理：
dataset = load_iris()
x = np.array(dataset.data) #獲取花的屬性
y = np.array(dataset.target) #獲取花的種類
x = x[0 : 75, :] #只取兩類花
y = y[: 75]
3> 把代表型別的值0替換為-1，這裡為了配合單層感知器的啟用函式
array_index = np.where(y == 0)
y[array_index] = -1
4 >鳶尾花資料有4個屬性，那麼輸入層有4個輸入節點，因為每個輸入的值要乘以權向量，所以輸入節點變為5個，增加權向量項。
x1= np.ones(x.shape[0]) #神經網路對應的輸入x[0]
x = np.insert(x, 0, values=x1.t, axis=1) #把1插入到屬性資料的第0列
5> 計算每個節點的輸出：
o = np.sign(np.dot(x, w.t))
w_c = lr * ((y - o.t).dot(x))/int(x.shape[0])
w = w + w_c
學習筆記 感知器 單層感知器舉例
在人體神經網路中，神經細胞是有著基本處理訊號功能的基本單元，單層感知器就是人工神經網路中模擬人體神經細胞的基本單元。單層感知器 單層感知器是最簡單的神經網路，它包含輸入層和輸出層，訊號先經過線性組合器處理然後再經過啟用函式，最後輸出結果。1 輸入節點 input 輸入節點是訊號的輸入端，感知器可以有...
單層感知器python 深度學習之單層感知器（一）
當我們最初學習機器學習時候，了解到最簡單的神經網路可能便是單層感知器，他也是監督學習的最簡單一種。本文章就通過 人工神經網路理論 設計及應用 書中介紹的單層感知器一節，進行python的 實現。單層感知器的網路結構如下 上圖便是乙個單層感知器，很簡單的乙個結構，圖中說明我們有個3維的輸入值分別是x1...
深度學習PART I 單層感知器
單層感知器的原始形式如下 如果把偏置項當作特殊權值，則單層感知器可以改為如下形式 感知器的學習規則 學習率 1 學習率太大，容易造成權值調整不穩定。2 學習率太小，權值調整太慢，迭代次數太多。收斂條件 1 誤差小於某個預先設定的較小的值。2 兩次迭代之間的權值變化已經很小。3 設定最大迭代次數，當迭...