感知机
感知机基础知识
感知机是神经网络（深度学习）的起源算法。
感知机可以接收多个输入信息，输出一个信号。
感知机的信号只有“流/不流”（1/0）两种取值。
接收两个信号的感知机，如下图：
x1与x2是输入信号；y是输出信号；
w1与w2是权重。圆圈O代表”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总和，只有当这个总和超过某个界限值时，才会输出1，这称为“神经元被激活”。这里将界限值称为阈值，用θ符号表示。
权重越大，对应该权重的信号的重要性就越高。
简单逻辑电路
用感知机实现简单的逻辑电路。
将θ用-b代替。b称为偏置，w1与w2称为权重。
与门（AND gate）
满足条件的(w1,w2, θ)有很多，如（0.5，0.5，0.7）
与非门（NAND gate）
NAND 表示not AND，即将与门结果颠倒。
可以用(w1,w2, θ) =（-0.5，-0.5，-0.7）实现.
或门（OR gate）
NAND 表示not AND，即将与门结果颠倒。
可以用(w1,w2, θ) =（0.5，0.5，0.2）实现
结论：
1）构造相同，只是参数（权重和阈值）不同实现3个不同的电路；
2）w1与w2时控制输入信号的重要参数，偏置是调整神经元被激活的容易程度（输出为1）的参数。
3）有时也将w1与w2，b统称为权重。
感知机局限性
异或门 (XOR gate)
单层感知机只能表示线性空间。
线性空间：直线分割成的空间；
非线性空间：曲线分割成的空间。
或门的输出
异或门的输出
异或门的输出，无法用线性切割。与门、与非门、或门均可用线性切分。
多层感知机实现异或门
代码实现：
异或门是一种多层神经网络，如下图：
注：有人称这为3层感知机；也有称2层感知机，因为只有2层有权重。
结论：
1）单层感知机只能表示线性空间，多层感知机可以表示多层空间；
2）多层感知机在理论上可以表示计算机.
如果想关注更多深度学习相关内容，请进入链接《深度学习专栏》进行了解，谢谢！
