(1)简单MP模型实现逻辑与或非

对于And操作来说，有数据集(样式为[x1,x2,y])
[0, 0, 0], [0, 1, 0], [1, 0, 0], [1, 1, 1]
x1,x2为两个输入，y为输出
这是生成的图片，

对于这个图，可能不理解。
我们这样理解：首先有四个点，对于一个样本1 and 0 = 0
来说，x1 = 1 ，x2 = 0， y = 0，所以我们就在 (1,0)点画点，由于y = 0所以我们画出的点是蓝色的。对于1 and 1 = 1，我们在(1,1)画点，画出的是黄色的三角形。这是两个种类，而那一条线则把这个平面分为两半，我们可以看到，在红线的下方，是蓝色的点，而在其上方，则是黄色的点，所以这条线实现了分类的效果。
那么这条线怎么绘制呢？
首先我们知道有w1,w2,theta三个参数，y = w1 * x1 + w2 * x2 + theta，这是我们的 和，之后会经过激活函数，输出真正的y，其实这条线就是根据激活函数画出来的，因为我们的激活函数是
y = 1, if y > 0
y = 0, if y <= 0
通过激活函数，我们知道二者的分界点就是 y = 0。然后我们把y = 0 带入到 y = w1 * x1 + w2 * x2 + theta，得到 x2 = (- w1 * x1 - theta) / w2。
这就是那一条线，其实最主要的是判断激活函数的临界点。

为什么MP模型能够实现二分类呢，原因也就是在此，但是他仅仅能够实现简单的二分类，为什么呢？因为感知器所最终绘制的都是一条直线，所以他只能分出 像上面的那样的简单 两个种类。

但是对于上面的这个图来说，你无法 用简单的一条线，线的下方是圈，线的上方是叉，这样来判断，因为无论你怎么画这条线，都不可能达到效果。
但是在三维中，如果我们用用一个面来分割的话，就能完成分类。

感知器的训练

训练过程