感知器

感知器是一个单层神经网络，或者我们可以说神经网络是一个多层感知器。感知器是一个二元分类器，它用于监督学习。 人工神经网络中一个简单的生物神经元模型被称为感知器。

一个可以决定由数字向量表示的输入是否属于某个特定类的函数被称为二元分类器。 二元分类器是一种线性分类器。 线性分类器是一种分类算法，它基于线性预测函数进行预测，该函数将一组权重与特征向量相结合。

感知器算法旨在将主体分类为两种类型之一，对视觉输入进行分类，并用一条线分隔组。 分类是图像处理和机器学习的关键部分。 感知器算法对模式进行分类，即通过机器学习算法使用多种不同的方法查找和分类，并通过查找通过数字或视觉输入接收的不同对象和模式之间的线性分离来分组。

一个普通的神经网络看起来如下所示。

感知器由四个部分组成，需要理解这些部分才能在 PyTorch 中实现感知器模型。

• 输入值或一个输入层
  感知器的输入层由人工输入神经元组成，并将初始数据引入系统以进行进一步处理。
• 权重和偏差
  权重代表单元之间连接的强度或维度。 如果从节点 1 到节点 2 的权重具有更大的量，则神经元 1 对神经元 2 的影响更大。 输入对输出的影响程度由权重决定。
  偏差类似于在线性方程中添加的截距。 它是一个附加参数，其任务是根据神经元的输入加权和来调整输出。
• 激活函数
  激活函数决定是否应该激活神经元。 激活函数计算加权和，并进一步添加偏差以给出结果。

神经网络基于感知器，因此，如果我们要了解神经网络的工作原理，请学习感知器的工作原理。

感知器以三个简单的步骤工作，如下所示

a) 在第一步中，所有输入 x 都与其权重 K 相乘。 这一步至关重要，因为这一步的输出将成为下一步的输入。

b) 下一步是将 K₁ 到 K_n 的所有乘积值相加。 这被称为加权和。 此加权和将被视为下一步的输入。

c) 在下一步中，将上一步计算出的加权和应用于正确的激活函数。

例如

一个单位阶跃激活函数

注意 1： 权重显示特定节点的强度。

注意 2： 偏置值允许您将激活函数曲线向上或向下移动。

注意 3： 激活函数用于将输入映射到所需值之间，例如 (0, 1) 或 (-1, 1)

注意 4： 感知器通常用于将数据分类为两部分。 因此，它也被称为线性二元分类器。