基於m-p模型中權重引數需要人為設定的問題，2023年羅森布拉特(roseblatt)提出了感知器，經過訓練，計算機能夠確定神經元的連線權重，由此，神經網路迎來了第一次熱潮。
感知器結構
感知器主要由輸入層和輸出層，其中，輸入層接收外界輸入訊號後傳遞給輸出層，輸出層是m-p神經元。
表示式
感知器如何自動確定引數？
採用誤差修正學習策略：設定訓練樣本和期望輸出，然後調整實際輸出和期望輸出之差。
引數自動調整策略如圖所示：
其中a是連線權重調整數值的引數，用於控制誤差修正速度，增加其值則增大則增加速度，減小其值則降低修正速度。(該引數又稱學習率，學習率如果過大會影響訓練的穩定性，如果太小會使得訓練的收斂速度變慢)
單層感知器的不足
(該圖**網路)
感知器訓練只能解決如上圖(a)所示的線性可分問題，不能解決如上圖(b)的線性不可分問題。其實上圖(a)是與運算的二維平面分布圖，上圖(b)是異或運算的二維平面分布圖；
下面重點說一下
異或運算為什麼無法實現。
異或運算法則如下：
通過異或運算可知，(0,0)與(1,1)是一類，(0,1)和(1,0)是一類，但沒有一條線可以劃分出這兩個集合。
因此，單層感知器無法解決最簡單的非線性可分問題，即異或問題。其數學證明可參考m-p模型一文。
神經網路學習之感知器
基於m p模型中權重引數需要人為設定的問題，1958年羅森布拉特 roseblatt 提出了感知器，經過訓練，計算機能夠確定神經元的連線權重，由此，神經網路迎來了第一次熱潮。感知器主要有輸入層和輸出層，其中，輸入層接收外界輸入訊號後傳遞給輸出層，輸出層是m p神經元。表示式 誤差修正學習策略 設定訓...
神經網路之 感知器
在神經網路中，我們主要使用的是一種稱為s型神經元的神經元模型。感知器就是我們所謂的 人工神經元 那麼感知器怎麼工作的呢，接下來我們來談談。1.感知器工作機制 上圖中有x1，x2和x3輸入，一般情況下我們可以引入權重w1,w2和w3來表示輸入對輸出的重要性，這時可以計算w1 x1 w2 x2 w3 x...
線性神經網路（異或）
v np.dot x,w np.dot x,w array矩陣相乘 4 3乘3 1等於4 1 w lr x.t.dot y v int x.shape 0 np.dot x,w array矩陣相乘 3 4乘4 1等於3 1 v np.dot x,w np.dot x,w array矩陣相乘 4 3乘...