感知器是什么意思(感知器的概念)

导语：深度学习笔记：感知器

为了理解神经网络，我们应该先理解神经网络最基本的组成部分——神经元。神经元也叫感知器、感知机，在上世纪50年代末和60年代初由科学家 Frank Rosenblatt 取得了进展，提出后成功解决了很多问题。

感知器示意图

由上图可以大致看出，感知器由多个输入和一个输出组成，其具体组成部分为：

输入项x：一个感知器可以接收多个输入项X1，X2，…Xn

权重w：每个输入上都有一个权值w

偏置项：此外还有一个偏置项b，在上图来看就是w0

激活函数：感知器的激活函数可以有多种选择，sigmoid、relu、tanh等

输出：y = f(wx + b)

看到这些很多人都有点晕，其实很简单，举个例子就明白了。

假设过年放假你想去泰国旅游，假设当前影响你做决定是否去旅游的因素只有三个，你只权衡这三个因素决定去不去旅游：

出去那几天当地天气好吗？

你的男朋友（女朋友）是否想跟你一起去？

去到目的地的交通是否便利？

我们将上述条件公式化，用二进制0和1来表示这三个因素x1, x2, x3。假设天气好为：x1 = 1，反之不好为 x1 = 0；同样的，假设有人陪：x2 = 1， 反之：x2 = 0， 交通便利：x3 = 1， 反之：x3 = 0.

假设：

你非常想去旅行，及时没人陪你也可能单独会去。

也许你真的想好天气去，如果天气不好的话就不去了。

这时候我们可以利用感知器模型来做这种决策，设置权重因子w1 = 5, w2 = 2, w3 = 2。权重因子表示该项因素对你影响的大小程度，比如：w1越大表示天气因素对你最终决定的影响就越大。之后假设你选择一个阈值=3的感知器。这时候，感知器就可以实现你的决策模型。当天气好的时候输出为1（0表示天气不好）这时候无论是否有人陪或者是交通是否便利，最终结果 y 都大于阈值3，所以说后边两个因素将影响你的决策。

而假设选择了阈值为2，则有人陪或者是交通情况都将影响你的决策。因此可以说通过不同的权值和阈值，我们可以得到不同的决策模型。

显然，感知器不是人类的一个完整的决策模型,人的决策系统比这个复杂的多。但是，例子说明的是一个感知器是如何衡量不同种类的约束条件的重要性，以作出决定。就这方面而言，举例还算是恰当。当然，一个复杂的网络感知器就可以做更加复杂的决定。这时候就需要用到我们更复杂的多层网络。

免责声明:本站部份内容由优秀作者和原创用户编辑投稿，本站仅提供存储服务，不拥有所有权,不承担法律责任。若涉嫌侵权/违法的，请反馈，一经查实立刻删除内容。本文内容由快快网络小琪创作整理编辑！