深度学习入门——Day1 感知机

第二章 感知机

今天开始学习《深度学习入门：基于Python的理论与实践》

2.1有两个输入的感知机原理

超过阈值，神经元被激活

2.2简单逻辑电路

2.2.1与门：

用感知机来表示与门，只有x1,x2均为1时，y才是1，其余时候都是0，可以设置参数（x1,x2, theta)=(0.5,0.5,0.7)可满足条件。

2.2.1与非门：

在x1,x2均为1时，y才是0，其余时候都是1，参数设置将可实现与门的全部参数取反即可实现。

2.2.3或门：

当x1,x2有任何一个为1时，y就是1。
注：构造相同的感知机，只需要适当调整参数即可 扮演不同的角色。

2.3 实现感知机

用python与门：

2.3.2导入偏置和权重

此时，b称为偏置，w1,w2称为权重。

如下图完成上面式子的计算方式

2.3.3权重和偏置的实现

偏置和权重w1,w2的作用是不一样的。具体地说，w1和w2是控制输入信号的重要性的参数，而偏置是调整神经元被激活的容易程度（输出信号为1的程度）的参数。

我们在2.2节介绍过，与门、与非门、或门是具有相同构造的感知机，区别只在于权重参数的值。因此，在与非门和或门的实现中，仅设置权重和偏置的值这一点和与门的实现不同。

2.4感知机局限性

首先将或门形象化

实际是找不到这样一条直线的。

2.4.2线性与非线性

由直线分割的区域是线性空间，而由曲线分割的区域是非线性空间。

2.5多层感知机

2.5.1已有感知机的组合

2.5.2异或门的实现

用之前定义的AND函数、NAND函数、OR函数，可以像下面这样实现。

如图2-13所示，异或门是一种多层结构的神经网络。这里，将最左边的一列称为第0层，中间的一列称为第1层，最右边的一列称为第2层。异或门是一个2层感知机，叠加多层的感知机也称为多层感知机。

2.6从与非门到计算机

感知机通过叠加层能够进行非线性的表示，理论上还可以表示计算机进行的处理。

2.7本章小结

最后

以上就是娇气路人为你收集整理的深度学习入门——Day1 感知机的全部内容，希望文章能够帮你解决深度学习入门——Day1 感知机所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。