感知機（perceptron）
感知機接收多個輸入信號，輸出一個信號。
image.png
其中一個重要的組成叫做神經(jīng)元，這正是受生物學中神經(jīng)元的原理啟發(fā)而來。一個神經(jīng)元通常具有多個樹突，主要用來接受傳入信息；而軸突只有一條，軸突尾端有許多軸突末梢可以給其他多個神經(jīng)元傳遞信息。軸突末梢跟其他神經(jīng)元的樹突產(chǎn)生連接，從而傳遞信號。這個連接的位置在生物學上叫做“突觸”。
673793-20151229121248198-818698949.jpg
所以其實這樣表示可以更好的理解神經(jīng)元
微信圖片_20190730102043.jpg
圖中的神經(jīng)元只是表示一個黑盒，如果我們展開來看它應該是這樣的結(jié)構(gòu)
微信圖片_20190730102518.jpg
中間的部分由若干個隱藏單元組成
作者用邏輯電路為例來解釋感知機的作用，我感覺理解起來還是有些吃力，畢竟用一個抽象的概念來解釋另一個抽象概念，確實有些費腦。我認為作者的用意一是邏輯電路和神經(jīng)網(wǎng)絡的結(jié)構(gòu)相似，二是組合門的效果可以產(chǎn)生單一門無法實現(xiàn)的效果：因為一個門只能處理線性空間，對于非線性空間就需要許多門組合使用。對此，我想分享一個具體的例子。比如我們想要知道一個房子的值多少錢，我們有一些關(guān)于房子的數(shù)據(jù)，比如房屋面積，幾室，郵編，與地鐵的距離，那么我們?nèi)绾瓮ㄟ^這些數(shù)據(jù)分析房子的價格呢，請看下圖
微信圖片_20190730125141.jpg
通過面積和幾室來判斷可容納人數(shù)，通過郵編可以判斷是否是學區(qū)，孩子是否有獨立房間，判斷是否有利孩子成長，通過郵編和附近的交通狀況就可以判斷步行化的，由此就可以推斷房屋的價格，當然這只是個例子，房屋價格影響因素有很多，所以在具體應用深度學習的時候也會有很多隱藏單元來處理。圖中的圓圈代表激活函數(shù)，通過激活函數(shù)的激活可以計算出的結(jié)果變?yōu)樾畔⒎奖銈鬟f或者是輸出。
那么一個神經(jīng)元是如何計算的呢，其實就是就是書中提到的邏輯回歸的方式
y=wx+b
x是輸入值，y是輸出值，w為權(quán)重，b為偏移量
如果是多個神經(jīng)元連續(xù)傳遞，則變?yōu)?br> z1 = w1x +b1
a1 = sigmoid(z1)
z2 = w2a1 +b2
.....
sigmiod是激活函數(shù)的一種，通過這樣的方式就可以得到最后的預測值
