一文搞懂深度学习中感知机相关知识（上）

前言

        上期我们在书中学习了深度学习中需要的基本Python知识，这期我们继续阅读这本书并学习感知机的相关知识！

1.感知机简介

1.1 白话感知机

        首先，我们抛开晦涩的学术定义，当我们第一次听到感知机这个名词的时候你的第一反应是什么？也许是某个机器人、某个装置又或者是别的稀奇古怪的想法。

在不查相关资料的情况下，我们自己先望文生义一下。

感：你的脑海会浮现出，感受、感觉、感动等等相关词语，抽象出这些词语特征感受外界传递的信息，并反映出来。

知：你会想到知识、知觉等等词语，抽象出词语的特征像是某种信息。

机：机器、机关、机能等等词语，它们都有一个特征比如机器的世界只有0和1相当于是或者不是；机关的世界只存在发射或者不发射；机能的反映只有健康或者不健康。抽象出来代表着只会输出一个信号"是"或者"不是"。

综上所述，我们整理一下，感知机也许是某种机制。这种机制感受外部传递来的信息（单一或者多样的信息），最后输出一种信号"是"或者"不是"。

1.2 感知机的定义

        当我们粗略理解了一下感知机后，再来看看书上的定义你是否会更加明白一点呢？

        感知机 （perceptron）：感知机接收多个输入信号，输出一个信号。感知机的输出信号只有1/0两种取值。0对应“不传递信号”，1对应“传递信号”。

        x1、x2是输入信号，y是输出信号，w1、w2是权重（w是weight的首字母）。图中的○称为“神经元”或者“节点”。输入信号被送往神经元时，会被分别乘以固定的权重（w1x1、w2x2）。神经元会计算传送过来的信号的总和，只有当这个总和超过了某个界限值时，才会输出1。这也称为“神经元被激活”。这里将这个界限值称为阈值，用符号θ表示。

数学式为

权重：感知机的多个输入信号都有各自固有的权重，这些权重发挥着控制各个信号的重要性的作用。也就是说，权重越大，对应该权重的信号的重要性就越高。比如，你妈妈和你爸爸同时让你做事，但你只能先做一件，事情的重要性，以及爸爸妈妈谁说的话更管用，这些都是你判断的权重。

神经元以及神经元被激活，你可以类比我们人大脑中的神经元。比如手拿馒头，只有馒头足够热，热到超过一定阈值烫手，神经元传递信息发出扔下馒头的指令。

2.感知机的作用

在了解了感知机的基本原理后，我们来学习一下感知机的作用。

2.1 为什么学习感知机？

        感知机（perceptron）：这一算法。感知机是由美国学者Frank Rosenblatt在1957年提出来的。为何我们现在还要学习这一很久以前就有的算法呢？因为感知机也是作为神经网络（深度学习）的起源的算法。因此，学习感知机的构造也就是学习通向神经网络和深度学习的一种重要思想。

2.2 线性和非线性

        感知机能将线性可分的数据集分开。什么叫线性可分？在二维平面上、线性可分意味着能用一条线将正负样本分开，在三维空间中、线性可分意味着能用一个平面将正负样本分开。可以用两张图来直观感受一下线性可分（上图）和线性不可分（下图）的概念：

线性可分

线性不可分

        即当你有一些样本数据并且是线性可分的，普通感知机可以将其分为两类，即二分。例如，你有一些身高，体重的样本数据，你可以分出哪些人是胖，哪些是瘦。但如果你的样本数据并不线性可分，感知机或许就帮不上你的忙了，这也就引出了感知机的缺陷。

        下期我们将探讨感知机的缺陷以及搭建感知机，同时欢迎订阅我的微信公众号：小新和自然语言处理