从感知机到多层感知机：深度学习入门核心知识解析

在深度学习的庞大体系中，多层感知机（MLP）是连接传统机器学习与现代深度神经网络的关键桥梁。它的诞生源于感知机的局限性突破，如今已成为图像识别、自然语言处理等领域的基础模型。本文将从感知机的原理出发，逐步拆解多层感知机的构成、训练逻辑及核心概念，带您夯实深度学习入门基础。

一、深度学习的 "基石"：感知机原理与应用

感知机是深度学习的雏形，由美国学者 Frank Rosenblatt 于 1957 年提出，它模拟生物神经元的工作机制，是最简单的二分类模型。

1. 感知机的核心构成

感知机的输入为特征向量x，通过权重w和偏差b对输入信号进行处理，最终输出二进制结果（0 或 1）。其核心计算公式可描述为：

• 先计算输入信号的加权和与偏差的总和：a = b + w₁x₁ + w₂x₂ + ... + wₙxₙ
• 再通过激活函数（感知机中为阶跃函数）判断输出：若a > 0，输出 1；否则输出 0

其中：

• 权重w：控制输入信号的重要性，权重越大，对应输入对输出的影响越强。
• 偏差b：调整神经元被激活的容易程度，偏差越大，神经元越容易输出 1。

2. 感知机的经典应用：逻辑电路实现

感知机可直接模拟 "与门"、"与非门"、"或门" 等基本逻辑电路，通过设定合适的权重和偏差即可满足真值表要求。

（1）与门

与门的逻辑是 "全 1 则 1，有 0 则 0"，对应的真值表及参数如下：

x₁	x₂	y