金玉良缘

百科解释：人工神经网络（Artificial Neural Network，即ANN ），是20世纪80 年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象， 建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称

本篇文章，我们开始介绍最简单的神经网络结构，感知器，在了解原理的基础上，下篇博客我们代码实现一个单层感知器：感知器：人工神经网络的第一个里程碑是感知机perceptron， 这个名字其实有点误导， 因为它根本上是做决策的。 一个感知机其实是对神经元最基本概念的模拟 ，都未必有多少网络概念，他就是一个自动做决策的机器。比如说你要决定今天出不出去看电影， 你要考虑3个因素， 一个是女朋

篇文章，我们介绍了什么是单层感知器，这节课，我们来看看如果用代码实现一个单层感知器实验问题：假设平面坐标系上有三个点（3,3），（4,3）这两个坐标点的标签为 1 ，（1,1） 这个坐标的标签为-1 ，构建神经网络来分类思路：二维数据，需要两个数据点，将神经元偏置设置成另一个输入点，一共需要三个输入点 输入数据：（1,3,3），（1,4,3），（1,1,1） 

目前我们接触到的感知器学习规则，数学建模之后，我们知道如何调整权值，使得感知器的切分符合我们的预期输入，下面我们就用一个小推导，看看感知器是如何进行权值调整的：理论判定边界 判定边界由那些使得净输入n为零的输入向量确定： n=1WTP+b=w1,1p1+w1,2p2+b为了使该实例更加具体，现将权值和偏置值设置为： w1,1=1,w1,2=1,b=-1 那么判定

在解决了线性求解问题之后，我们开始挑战更复杂的问题，开始研究非线性划分的问题，类似求解异或问题这样，而解决这类问题，我们先要学习一个概念，就是梯度下降（Gradient Descent），这个方法是解决机器学习领域最常采用的方法之一。梯度在微积分里面，对多元函数的参数求∂偏导数，把求得的各个参数的偏导数以向量的形式写出来，就是梯度。比如函数f(x,y), 分别对x,y求偏导数，求得