深度学习笔记（一）——感知机模型（Perceptron Model）

最新推荐文章于 2025-04-12 23:00:45 发布

AD稳稳

最新推荐文章于 2025-04-12 23:00:45 发布

阅读量2w

点赞数 15

分类专栏：深度学习 Python NLP 文章标签：学习神经网络深度学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/ADwenwen/article/details/124783055

版权

本文介绍了神经网络的基础——单层感知机模型，包括其灵感来源、神经元模型的数学表达、学习过程以及单层感知机的局限性。感知机通过权重和阈值的学习，能实现线性可分数据的分类，但无法解决线性不可分问题。为扩展其能力，文章提到了多层感知机（即人工神经网络）的概念。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

零、引言

感知机，也叫单层神经网络，是最基础的神经网络模型结构。

神经网络模型由生物神经中得到启发。在生物神经元细胞中，神经突触接收到信号，经过接收并处理信号后判断信号的信息强弱，来做出不同神经电位变化反应。受此启发，科研人员设计出基础的神经网络模型结构，神经元模型（Neuron Model）。

一、神经元模型

下图为一个最简单的“M-P神经元结构”，该模型1943年提出，并一直沿用至今：

从模型示意图看，对于一个单一的神经元模型，其中 $\{x_1, x_2,...,x_i,...,x_n\}$ 为该模型的输入数据； $\{\omega_1,\omega_2,...,\omega_i,...,\omega_n \}$ 为神经元模型计算参数，与输入数据维度一一对应，用于反应输入数据各维度的权重；

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。