感知机（perceptron)

感知机是神经网络（深度学习）的起源算法，学习感知机的构造是通向神经网络和深度学习的一种重要思想。

严格讲，应该称为“人工神经元”或“朴素感知机”，但是因为很多基本的处理都是共通的，所以这里就简单地称为“感知机”。

原理简介：

感知机接收多个输入信号，输出一个信号。
这里所说的“信号”可以想 象成电流或河流那样具备“流动性”的东西。
像电流流过导线，向前方输送 电子一样，感知机的信号也会形成流，向前方输送信息。
但是，和实际的电 流不同的是，感知机的信号只有“流/不流”（1/0）两种取值。
0 对应“不传递信号”，1对应“传递信号”。

如图

• 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（w₁ x₁ , w₂ x₂ ）。
• 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。

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。
权重：相当于电流里的电阻。电阻是决定电流流动难度的参数， 电阻越低，通过的电流就越大。
而感知机的权重则是值越大，通过的信号就越大。
不管是电阻还是权重，在控制信号流动难度（或者流 动容易度）这一点上的作用都是一样的。