深度学习为什么要从感知机学起？

素颜马尾好姑娘i 2022-03-28 05:38 274阅读 0赞

感知机是作为神经网络（深度学习）起源的算法，学习感知机的构造是通向深度学习的一种重要思想。

**概念：**

感知机是一种算法，更或者说是一种数学表达式，它能接受多个输入信号(*x*1、*x*2、*x*3….)，而输出一个信号(y)。

![640_wx_fmt_png][]

感知机的信号只有两种取值，传递信息对应1，不传递信息对应0。如上面公式所示，每个信号都有一个各自的**权重**(*w*1、*w*2、*w*3….)，只有当所有信号的加权和超过某个界限时(称为**阀值**)，才输出1(传递信号)，否则输出0(不传递信号)。显然每个信号的权重大小决定着该信号的重要性，权重越大，该信号的重要性就越高（如果你还没有明白，打个比方，有三位面试官参与一位大学生的面试，面试结束后他们给出了自己的打分(用*x*1、*x*2、*x*3表示)，由于他们的资历不同(用*w*1、*w*2、*w*3表示)，该学生最终的成绩是三位面试官的打分并乘以其权重，如学生果最终成绩超过80分则面试通过(1)，否则面试失败(0)。可知，在打分不变的情况下，如果资历越高的人的权重越大，那么他对学生最后面试结果影响也越大）。

直观地，用一幅图来表示有两个输入信号的感知机：

![640_wx_fmt_png 1][]

图中的圆圈０称为“神经元”或“节点”。输入信号*x*1、*x*2被送到神经元然后乘以各自的权重(*w*1、*w*2*)*。接着神经元计算传过来的信号的总和*y*。当然信号*y*也可以作为输入信号继续传下去。

**转换：**

上面的表达式是为了方便大家理解感知机的概念，实际上，我们更多采用另一种表示方式：

![640_wx_fmt_png 2][]

仔细观察发现，这种方式表示的内容和前面是一样的，只不过进行了左移动并将参数修改成了b(就像线性函数中的截距b)，这里b称为**偏置**，其他参数意思不变。因此感知机会计算输入信号和权重的乘积，然后加上偏置，如果这个值大于0则输出1，否则输出0。需要理解的是，偏置的作用和权重不一样，偏置是调整神经元被激活(输出为1)的容易程度的参数。比如b为-2，则只要输入信号的加权和超过2，神经元就被激活。如果b为-20，则输入信号的加权和必须超过20，神经元才被激活。

**知道吗？感知机可以实现简单的逻辑电路：**

回顾一下逻辑电路与门、与非门、或门。这里我们用感知机来实现与非门，其他门的感知机的构造是一样的，读者可自己实现。与非门表明，只要有一个输入信号为0，则输出就为1，真值表如下：

![640_wx_fmt_png 3][]

这里，我们人为设置参数(*w*1,*w*2,b)=(-0.5,-0.5,0.7),这样输入的信号就可以根据上面的表达式知道输出信号为0还是1。用Python编程如下图所示。

def yufei(x1,x2):
        """与非门的实现"""
        x=np.array([x1,x2])
        w=np.array([-0.5,-0.5])
        b=0.7
        value=np.sum(w*x)+b
        if value<=0:
            return 0
        else:
            return 1

需要强调的是，这里决定感知机参数的是我们人，真值表就像“**训练数据**”，我们人为地赋予了参数值。实际上机器学习的课题就是将这个决定**参数**值的工作交由计算机自动进行。**学习就是确定合适的参数的过程**，而人要做的是思考感知机的构造(模型)，并把训练数据(真值表中*x*1、*x*2的四种取值)交给计算机。*y*是训练数据提供的已知的输出。这样一旦机器学到了参数，那么对于输入的任何值(*x*1、*x*2)，模型都会输出一个**预测值**0或者1（因为训练数据中y的值只有0和1两种输出）。本文就给大家介绍到这里

[640_wx_fmt_png]: /images/20220328/ddda6a92573c45bfb2cc9bb3f8644a9a.png
[640_wx_fmt_png 1]: /images/20220328/bbd3b06b4c5f4528845e7ae7a5a59dc8.png
[640_wx_fmt_png 2]: /images/20220328/c2c9e32568ec4fcdbea69df313c9b1ed.png
[640_wx_fmt_png 3]: /images/20220328/e9b1ccdeb6234783a1d1539ca7a6a6d4.png