深度学入门笔记（一）————单层感知器
感知器：
也叫神经元，类似于大脑神经细胞，完成输入信号分析输出等一系列过程，是一种早期的神经网络模型
发展历程：
单层感知器结构：
神经网络的作用：调整权值使实际输出接近期望输出。
学习信号：神经元期望输出与实际值输出之差
为期望输出，
为实际输出信号。
为输入信号矩阵，sgn为**函数，
是实际输出值。
权值调整公式为：
η为学习效率， X 为输入信号，△Wj为权重的调整。
当实际输出与期望输出相同时，权重值不需要调整；有误差时，因dj和sgn(WjT X) = {-1，1}，所以权值调整公式可化简为：
感知器学习规则只适用于二进制神经元，初始权值可取任意值。
学习率
- η学习率（0<η<1）
- 学习率太大，容易造成权值调整不稳定
- 学习率太小，权值调整太慢，迭代次数太多
收敛条件：
- 误差小于某个预先设定的较小值
- 两次迭代之间的权值变化已经很小
- 设定最大迭代次数，当超过最大次数就停止