深度学习-感知器算法是怎么训练的？

最近在复习深度学习，最基础的感知器是神经网络的基础组成单元，理解一下感知器分类算法是如何进行数据训练的吧！

从上面的图中可以看出，上面的数据集中的点，感知器会随机画一条直线作为分隔界限，从上面图中看出，初始的分隔界限产生了两个分类错误的点，那么怎么能进一步优化这个分隔线，使得他的分类效果达到更好？

对于错误分类的点，感知器是努力让分割线离得更近一点，所以感知器会适当的调整分割线的位置，使得分割线离分类错误的点更近一些。

 上图中给出一个具体的例子，分割线：3X1+4X2-10 = 0,上方蓝色的区域是正区域，下方红色区域的是负区域，这里面分为两种情况：

（1） 真负点被划为正区域（如上图）：一个红色的点被划分到蓝色的区域，此时，需要调整分隔线的位置，使得分割线离那个红色的点更近一点，如何调整呢？调整的方法见图中右边的计算公式，这里有一个学习率（learnig rate）设为0.1，假如那个红色点的坐标（4，5），在加上一个常量1，则（4，5，1）*0.1 = （0.4，0.5，0.1），再用分割线的系数（3，4，-10）-（0.4，0.5，0.1）=（2.6，3.5，-10.1），调整一次后的方程为：2.6X1+3.5X2-10.1 = 0

  

 （2）真正点被划为负区域（如上图）：一个蓝色的点被划分到红色的区域，此时，需要调整分隔线的位置，使得分割线离那