深度学习（持续更新）之（二）感知器的那些事
1、感知器的定义与介绍
感知器（Perceptron）是Frank Rosenblatt在1957年时所发明的一种人工神经网络。它可以被视为一种最简单形式的前馈神经网络是二元线性分类器。Frank Rosenblatt给出了相应的感知机学习算法，常用的有感知机学习、最小二乘法和梯度下降法。譬如，感知机利用梯度下降法对损失函数进行极小化，求出可将训练数据进行线性划分的分离超平面，从而求得感知机模型。
在人工神经网络领域中，感知器一般指单层的人工神经网络，用来区别弄复杂的多层感知器。且感知器的本质缺陷是不能处理线性不可分问题。人工神经网络的基本单元。感知器的应用首先要要求特征空间必须是线性可分的，其次要求二分类（单层的感知器）
我的理解就是感知器就是神经网络的一个神经元
图中可以看到有权值和偏置，输出、阶跃函数。一个感知器有多个输入及一个偏置，只有一个输出
2、感知器的前馈运算
3、感知器的实际运用
感知器具有一定的逻辑运算能力。可以完成一些基础的逻辑操作（与、或、非、与非）
逻辑与
实际图中感知器所做的就是将红色与蓝色的点划分成两个部分，只要满足这一条件都可以作为我们所求的解（权重和偏置的值）。其他的简单逻辑运算可自行验证，感知器通过设置权重和偏置的值完成一些基础逻辑运算 。
下面转换成一般情况：（图中只画出一种情况）
感知器的局限
- 由于阶跃函数的关系，只能做0-1输出
- 仅能处理线性可分问题（就是用线性的方式[一条直线]把数据分开），无法解决异或问题（没有办法用线性的方式分开数据）异或问题可用多层感知器网络来解决。
4、多层感知器
多层感知器就是添加了隐层的感知器层状结构，图片中每个粉色的小圆圈代表一个感知器，隐层的各个感知器之间没有权重相连接。
图中所示的为单隐层感知器，也可以叫做双层感知器（双层是隐层和输出层）
隐层：除输入层和输出层外的所有层。隐层不会直接给出输出信号。
隐层的输出计算
所有同一隐层的神经元（感知器）都与上一层的每一个输出相连，且同一隐层的所有神经元不互相连接。 假设l-1层有10个神经元，那么l层的每个神经元分别有10个权重。
隐层的作用
增添隐层就是解决了感知器只能解决线性可分的这一局限，决策类型有单一变为多样。
多层感知器拟合异或函数