这篇文章我将从感知机与神经网络的联系与差异进行小结。
感知机是一个二分类器，能够根据输入的特征将数据划分为两个类别，其过程就是使用一个直线或超平面将两类数据分开。它的基本结构包括输入、权重和激活函数。但是，感知机只能处理线性可分的问题。它依赖于一个全局最优解，可能会陷入局部最优解的困境。当我们处理复杂的分类问题时，需借助多层感知机。比如采用与电路，或、与非电路组合构成异或电路。多层感知机由多个隐藏层构成，每个隐藏层包含多个神经元。而从多层感知机到神经网络，只需将激活函数从阶跃函数修改为ReLU函数。相较于早期使用的sigmoid函数，ReLU函数更简单，求导的复杂度更低，而且能缓解梯度消失的问题。
我们为什么要引进神经网络呢？即使是计算机进行的复杂处理，理论上感知机也可以将其表示出来，但是设定权重的工作需由人工进行。而神经网络可以自动地从数据中学习到合适的权重参数。常见的有两种算法，前向传播和反向传播。前向传播指从输入层开始，通过每一层的加权和激活函数，将信号传递到下一层，每个神经元会接收上一层的输出，并根据权重和激活函数计算自己的输出，这个过程一直持续到输出层，产生最终的预测结果。反向传播是一种训练多层感知机的常用方法，通过计算预测结果与真实结果之间的误差，然后沿着网络反向调整权重，以最小化误差。
海报