感知機–是可以接收多個輸入訊號，輸出乙個訊號的（初級神經網路）演算法；也稱為「人工神經元」或「樸素感知機」
權重–是控制各個訊號的重要程度；權重則是值越大，通過
的訊號就越大。
x1、x2是輸入訊號
y是輸出訊號
w1、w2是權重（w是weight的首字母）。
圖中的o稱為「神經元」或者「節點」。
輸入訊號x1、x2被送往神經元時，會被分別乘以固定的權（w1x1、w2x2）。神經元會計算傳送過來的訊號的總和，只有當這個總和超過了某個界限值時，才會輸出1。這也稱為「神經元被啟用」。這裡將這個界限值稱為閾值，用符號θ表示
簡單邏輯電路：
x1x2y0
0010
0010
111圖2-2 與門的真值表
滿足圖2-2的條件的引數的選擇方法有無數多個。比如，當
(w1, w2, θ) = (0.5, 0.5, 0.7) 時，可以滿足圖 2-2 的條件。此外，當 (w1, w2, θ)為(0.5, 0.5, 0.8)或者(1.0, 1.0, 1.0)時，同樣也滿足與門的條件。
與此同時，僅當x1和x2同時為1時，訊號的加權總和才會超過給定的閾值θ。 x1
x2y00
1101
0111
10圖2-3 與非門的真值表 x1
x2y00
0101
0111
11圖2-4 與非門的真值表
感知機的實現
def and(x1, x2):
w1, w2, theta = 0.5, 0.5, 0.7
tmp = x1*w1 + x2*w2
if tmp <= theta:
return 0
elif tmp > theta:
return 1
>>> import numpy as np
>>> x = np.array([0, 1]) # 輸入
>>> w = np.array([0.5, 0.5]) # 權重
>>> b = -0.7 # 偏置
>>> w*x
array([ 0. , 0.5])
>>> np.sum(w*x)
0.5>>> np.sum(w*x) + b
-0.19999999999999996 # 大約為-0.2（由浮點小數造成的運算誤差
（但是根據上下文，有時也會將b、w1、w2這些引數統稱為權重。）
深度學習入門筆記之感知機
1 感知機是什麼？感知機可以簡單地認為是乙個轉換器，它可以接受多個訊號，輸出乙個訊號。就如同我們初中物理課程裡面常常提到的與門，這就是乙個很簡單的感知機。2 感知機的相關概念。a 閾值 輸入的值通過相關函式進行計算，然後將計算出來的值輸入感知機，如果滿足感知機的設定值，就會啟用出相應的輸出。我們把這...
深度學習 感知機
在人工智慧領域，有乙個方法叫做機器學習，在機器學習這個方法裡，有一類演算法叫神經網路。我們用一張圖來更加形象的表示 上圖中的每個圓圈都是乙個神經元，每條線表示神經元之間的連線。我們可以看到，上面的神經元被分為許多層，層與層之間的神經元有連線，而層內的神經元沒有連線。最左邊的層叫做輸入層，這層負責輸入...
深度學習 感知機
感知機是什麼 簡單邏輯電路 感知機的實現 感知機的侷限性 多層知感機 1.感知機 感知機接受多個訊號，輸出乙個訊號 感知機的訊號只對應1 0兩種情況 x1，x2為輸入訊號，w1.w2為一開始給定的權重，y為輸出的訊號，每個圈為乙個神經元，神經元會計算傳送過來的訊號的總和，只有當這個總和超過了某個界限...