说明

以下内容是我阅读学习《深度学习入门：基于Python的理论与实现》一书的个人小结。本人新手入门，理解可能会不到位，以下内容仅用作个人学习记录并与大家交流分享。

什么是感知机？

依照我的理解，有信号输入，然后有一个信号输出的机器（或者说机制）就是一个感知机。下图1便是一个简单的感知机：有两个信号 $x_1、x_2$x1​、x2​输入，分别乘以权重 $w_1、w_2$w1​、w2​便得到中间值tmp，即 tmp= $x_1*w_1+x_2*w_2$x1​∗w1​+x2​∗w2​，然后判断tmp是否大于阈值 $\theta$θ ，若大于阈值输出 $y=1$y=1，否则 $y=0$y=0。

通过修改权重 $w_1、w_2$w1​、w2​和阈值 $\theta$θ的数值大小可以构建简单的逻辑电路，比如与门、或门和与非门。关于详细的构建方法与Python实现可以参考《深度学习入门：基于Python的理论与实现》一书。顺便一提，因为感知机可以构建与非门，因此理论上还能用来构建计算机。

单层感知机的局限性

画个图可以看出，与门、或门和与非门都可以线性分割，但对于异或门却不能用线性分割。所谓线性分割就是用一条直线去区分不同的输出情况。以或门为例，如图2所示，用一条直线可以区分△和○（△： $y=1$y=1○： $y=0$y=0），不同的权重和阈值可以构建不同的直线，理论上是无数条。但对于异或门（如图3）却不可能用一条直线将△和○（△： $y=1$y=1○： $y=0$y=0）区分开,只能用曲线将△和○划分为两个空间。这里，用直线区分得到的两个空间，如或门的△和○空间，叫做线性空间；用曲线区分得到的两个空间，如异或门的△和○空间，叫做非线性空间。线性空间和非线性空间是机器学习领域中非常常见的术语，务必熟悉。显然，单层感知机只能构建线性空间，因此没办法用单层感知机构建非线性空间的异或门。

多层感知机

多层感知机就是叠加了多个感知机。如图4所示，第0层是信号输入层，有两个信号 $x_1、x_2$x1​、x2​输入给第一层的两个感知机 $s_1、s_2$s1​、s2​；信号 $x_1、x_2$x1​、x2​经过第一层的两个感知机 $s_1、s_2$s1​、s2​得到两个输出信号；两个输出信号作为第二层感知机的输入信号，经过第二层感知机，从而得到输出信号 $y$y。我个人认为图4这个图画的还不是很准确，应该再多加一个输出层，如图5所示，这样才能更好的反映感知机的作用。图1也应该多加一个输出层。

为了解决单层感知机无法表示异或门的情况，我们可以用双层感知机来表示，如图6所示。真值表如图7所示。

小结

至此，感知机的概念就讲完了。本质上来说，感知机就是一个信号转换器。单层感知机就是一个单层神经网络；如图5所示的用感知机来表示的异或门是一个双层神经网络。

参考文献

[1] 《深度学习入门：基于Python的理论与实现》第2章 感知机 [2] https://www.jianshu.com/p/a25788130897