深度学习入门--感知机

最近开始学习一点深度学习、图像识别方面的内容，记录下来，以备温故。

感知机是由美国学者Frank Rosenblatt在1957年提出来的，它是深度学习的起源算法。

感知机接收多个输入信号，输出一个信号。感知机的信号只有“流/不流(1/0)”两种取值。

下图是接收两个输入信号的感知机的数学表达式（markdown语法下编写数学公式不太方便，故只能够放图片了）

这里x1、x2是输入信号；w1、w2分别为其权重；b称为偏置。感知机会计算输入信号与权重的乘积，然后加上偏置，如果这个值大于0则输出1，否则输出0。

w1、w2是控制输入信号的重要性的参数，而偏置是调整神经元被激活的容易程度（输出信号为1则表示神经元被激活）。

python代码实现如下：

import numpy as np

# 这里的输入、权重和偏置均是人为设定
x=np.array([0, 1])  # 输入
w=np.array([0.5, 0.5])  # 权重
b=-0.7  # 偏置

print(np.sum(w*x)+ b)

输出为：

-0.19999999999999996   

感知机的局限在于它只能表示由一条直线分割的空间（线性空间），即单层感知机无法分离非线性空间。但是多层感知机可以表示非线性空间，也就是说，通过叠加层，感知机能进行更加灵活的表示。

学习要点：

• 感知机是具有多个输入和一个输出的算法，给定一个输入后，将输出一个既定的值
• 感知机将权重和偏置设定为参数
• 使用单层感知机可以表示与门、或门、与非门等逻辑电路
• 使用2层感知机可以表示异或门逻辑电路
• 单层感知机只能表示线性空间，而多层感知机可以表示非线性空间