感知机总结

感知机是什么

是一种简单的二分类的模型。并且是神经网络的基础。单层感知机可以实现线性分类，无法做到非线性分类。所以也无法处理异或问题。

感知机是如何实现分类的

感知机有几部分组成：输入变量、偏置、求和函数，激活函数，输出。
分类流程：输入特征 --》学习规则（权重和偏置）–》决策（分类）–》调整错误（分类错误，调整权重和偏置）

神经网络对感知机做的扩展

因为感知机只能实现线性分类，而做不到非线性分类，连异或问题也解决不了。针对这个特性。神经网络通过多层感知机来解决这个问题。

也就是神经网络除了输入、输出之外。还有多了一个隐藏层。这个隐藏层可能要多层感知机组成。

多层结构

就是上面说的隐藏层

激活函数

神经网络引入了更多的激活函数。可以更好地处理非线性问题

反向传播

神经网络可以实现反向传播。即根据输出结果跟标注的结果比较，来更新权重和偏置

优化器

如：梯度下降

卷积神经网络

神经网络引入了卷积神经和池化，通过提取空间特征并减少参数，有效地处理视觉任务