perceptron
一、单层感知机
输入层：接收外部信息，不进行信息处理，只是将信息传递给输出层。
输出层：接收输入层的信号，通过加权求和并加上偏置值，然后通过一个激活函数（如阶跃函数）将结果转化为输出信号。
感知机的工作原理是什么？单层感知机通过加权求和输入信号并加上偏置值，然后经过阶跃激活函数处理，输出二分类结果。
加权求和：输入信号被送往输出层时，会被分别乘以各自的权重，然后求和。
偏置值：用于调整输出层的激活阈值。
激活函数：在单层感知机中，常用的激活函数是阶跃函数，它将大于某个阈值的结果输出为1，小于阈值的结果输出为0。
定义损失函数：通常使用误分类点到分离超平面的距离作为损失函数。
优化方法：采用梯度下降法或其变种来优化损失函数，通过迭代更新权重和偏置值，使损失函数不断减小。
迭代更新：在每次迭代中，使用当前的权重和偏置值对训练数据集进行预测，计算预测值与真实标签之间的误差，并根据误差值来调整权重和偏置值。
二、多层感知机
多层感知机（Multilayer Perceptron，简称MLP）是什么？多层感知机由多个神经元层组成，每个神经元层与前一层全连接。其基本结构包括输入层、输出层和至少一层或多层的隐藏层。
输入层：接收输入特征，是数据的入口。
隐藏层：位于输入层和输出层之间，用于提取特征和进行非线性变换。隐藏层增加了网络的容量，使其能够学习并表示更复杂的函数。
输出层：给出最终的预测结果。
多层感知机的工作原理是什么？多层感知机通过前向传播产生预测结果，计算损失函数评估性能，利用反向传播算法传播梯度，并使用优化算法更新权重和偏置以最小化损失。
前向传播：输入数据通过输入层进入网络，经过隐藏层的非线性变换，最终到达输出层并产生预测结果。
损失函数计算：根据预测结果和真实标签计算损失函数，用于评估模型的性能。
反向传播：通过反向传播算法，将损失函数的梯度从输出层传播到输入层，以更新神经元之间的权重和偏置。
参数更新：使用优化算法（如梯度下降）更新权重和偏置，以最小化损失函数。
限时五折优惠，快快抢购吧！
