感知器

感知器是单层神经网络，或者可以说神经网络是多层感知器。 Perceptron是二元分类器，用于监督学习中。人工神经网络中生物神经元的简单模型称为Perceptron。

可以决定这是由数的向量表示的输入是否属于一些特定类的函数被称为二元分类器。二进制分类器是线性分类器的一种。线性分类器是一种分类算法，它基于将一组权重与特征向量相结合的线性预测函数预测。

感知器算法旨在将主体分类为两种类型之一，将视觉输入分类，并用一条线将各组分开。分类是图像处理和机器学习的关键部分。感知器算法对模式进行分类，即使用机器学习算法通过多种不同方式进行查找和分类，并通过查找通过数字或视觉输入接收到的不同对象和模式之间的线性间隔进行分组。

正常的神经网络如下所示。

感知器包括四个部分，需要理解这些部分才能在PyTorch中实现感知器模型。

• 输入值或一个输入层感知器的输入层由人工输入神经元组成，并将初始数据带入系统中以进行进一步处理。
• 权重和偏差权重表示单元之间连接的强度或尺寸。如果从节点1到节点2的权重较大，则神经元1对神经元2的影响较大。输入对输出的影响将由权重确定。偏差类似于线性方程式中添加的截距。这是一个附加参数，其任务是调整输出以及神经元输入的加权总和。
• 激活功能神经元是否应该激活，取决于激活函数。激活函数计算加权总和，并进一步加上偏差以得出结果。

神经网络基于感知器，因此，如果我们想了解神经网络的工作原理，请学习感知器如何工作。

感知器可通过以下三个简单步骤工作：

a)在第一步中，所有输入x乘以它们的权重表示为K。这一步很重要，因为该步的输出将输入到下一步。

b)下一步是将K1的所有相乘值相加。这称为加权和。该加权和将被视为下一步的输入。

c)在下一步中，将从上一步中计算出的加权总和应用于正确的激活函数。

例如

单位步进激活函数

注1：重量表示特定节点的强度。
注意2：偏置值允许您向上或向下移动激活函数曲线。
注意3：激活功能用于在所需值之间映射输入，例如(0，1)或(-1，1)
注4：Perceptron通常用于将数据分为两部分。因此，它也被称为线性二进制分类器。