作者 | Harper

审核 | gongyouliu

编辑 | auroral-L

了解感知机

上期带大家了解了人工神经网络的内容，本期给大家介绍一下感知机的概念。人工神经神经网络呢始于20世纪50年代，当时Frank Rosenblatt教授开发了第一个感知机，它本质上其实就是人工神经网络中的单个节点。感知机就像是一台做决定的微型机器，它接收多个输入，将他们与相应的权重相乘并求和，然后对和再执行一个数学函数运算以产生输出结果。

我们可以将感知机想象成一个小圆圈，进入该圆圈的是三个输入，每个输入都显示为箭头。我们可以把输入记为x1、x2、x3，这个感知机有一个输出，再次用箭头表示。因为所有的箭头都指向同一个方向，所以这是一个前馈感知机。

我们就可以利用这个感知机来做决定。比如说你要去某家墨西哥餐厅吃饭，通常会考虑三个因素来决定。那么你的输入可以是以下三个：x1表示这个餐厅是否干净，x2表示他是否有西班牙语版本的菜单，因为有西班牙语菜单的餐厅一般会比较地道。x3表示墙上是否挂了一个草帽，因为根据经验的话，挂了草帽的餐厅味道都不太好。然后我们可以为这些输入中的每一个分配一个二进制值，可以是0和1，也可以是1和-1。

现在就可以假设感知机对所有这些因素进行一个衡量，并执行一个简单的加法或者减法函数，比如说，如果餐厅干净，则加1，否则减1，以此类推其他输入。那么感知机执行这个函数，如果总数达到了指定的阈值，我们就会在该餐厅用餐。

但是，这个感知机太简单了，它并没有太大的用处，因为他只是告诉你，只有满足所有的条件才会在这个餐厅吃饭，它也没有办法学习。它所做的只是执行加法操作，并给出yes or no的建议。

那为了改进这个感知机，我们可以为输入分配相应权重，比如说，你给x1的权重分配为3，x2的权重为6，x3的权重为2，当然这都是根据你自己的喜好来设定的，然后再为总数设定一个阈值。那为了计算加权输入，感知机会在做出决策之前将每个输入值乘以它的权重。这样做的好处是，当你给感知机输入更多数据的时候，它可以通过调整权重来学习。

感知机还可以通过增加偏置项来增加或减少输出，作为一种提高输出精度的方法。这个方法我们在后续的视频里也会给大家介绍。

我刚才提到的例子是比较简单的，但要记住的关键点是，感知机对多个输入执行一个函数以产生单个输出，感知机可以通过调整输入的权重和增加偏置项来学习。一个人工神经网络可能包含成百上千个这样的感知机，每个感知机接受输入并对输入执行一个函数以产生输出。输入层中的感知机接受你输入到机器中的数据，产生输出，并将他们传递给隐藏层中的感知机，这些感知机再将其输入传递给其他感知机，直到多轮聚合的结果传递到输出层，输出层提供最终结果。

注意，人工神经网络中的感知机或单个神经元通常被称为单层感知机，具有隐藏层的人工神经网络通常被称为多层感知机。

关键词： 认识AI人工智能如何赋能商业18感知机