神经网络入门——5感知机

感知器 Perceptron

现在你看到了一个简单的神经网络如何做决策：输入数据，处理信息，然后给出一个结果作为输出！现在让我们深入这个大学录取的案例，来学习更多输入数据如何被处理。

数据，无论是考试成绩还是评级，被输入到一个相互连接的节点网络中。这些独立的节点被称作感知器或者神经元。它们是构成神经网络的基本单元。每个感知器依照输入数据来决定如何对数据分类。 在上面的例子中，输入的评级或者成绩要么通过阈值 (threshold) 要么通不过。这些分类组合形成一个决策 - 例如，如果两个节点都返回 “yes“，这个学生就被学校录取了。

让我们进一步放大来看一个单个感知器如何处理输入数据。

上图中的感知器是视频中决定学生是否被录取的两个感知器之一。它决定了学生的评级是否应该被学校录取。你也许会问：“它怎么知道在做录取决定的时候是分数更重要还是评级更重要？”。事实上，当我们初始化神经网络的时候，不知道哪个信息对决定更重要。这需要神经网络 自己学习 出哪个数据更重要，然后调整。

神经网络通过一个叫做 Weight（权重）的东西来做这件事。

权重

当数据被输入感知器，它会与分配给这个特定输入的权重相乘。例如，上图感知器有两个输入，tests和 grades，所以它有两个与之相关的权重，并且可以分别调整。这些权重刚开始是随机值，当神经网络学习到什么样的输入数据会使得学生被学校录取之后，网络会根据之前权重下分类的错误来调整权重，这个过程被称为神经网络的训练。

一个较大的权重意味着神经网络认为这个输入比其它输入更重要，较小的权重意味着数据不是那么重要。一个极端的例子是，如果 test 成绩对学生录取没有影响，那么 test 分数的权重就会是零，也就是说，它对感知器的输出没有影响。

输入数据加总

所以，每个感知器的输入需要有一个关联的权重代表它的重要性，这个权重是由神经网络的学习过程决定的，也就是训练。接下来，经过加权的输入数据被加总，生成一个单独的值，它会帮助实现最终输出 - 也就是这个学生是否被录取。让我们看一个实际的例子：

我们把 x_test 跟它的权重 w_test 相乘的结果与 x_grades 与w_grades 相乘的结果相加。

在写跟神经网络有关的公式的时候，权重总是被各种样式的字母 w 来表示。

在这个例子中，我们用 $w_{grades}wgrades 来表示 grades 的权重，w_{test}wtest 来表示 test 的权重。在上图中，假设权重是 w_{grades} = -1, w_{test} = -0.2wgrades=−1,wtest =−0.2。你不用关注它们具体的值，它们的相对值更重要。 w_{grades}wgrades 是 w_{test}wtest 的 5 倍，代表神经网络认为在判断学生是否能被大学录取时， grades 的重要性是 test 的 5 倍。$

感知器把权重应用于输入再加总的过程叫做线性组合。在这里也就是

$w_{grades} cdot x_{grades} + w_{test} cdot x_{test} = -1 cdot x_{grades} - 0.2 cdot x_{test}wgrades⋅xgrades+wtest⋅xtest=−1⋅xgrades−0.2⋅xtest.$

为了让我们的公式更简洁，我们可以把名称用数字表示。用

$w_{1} cdot x_{1} + w_{2} cdot x_{2}w1⋅x1+w2⋅x2$

在这个例子中，我们只有两个简单的输入，grades 和 tests。试想如果我们有 m 个不同的输入可以把他们标记成 $x_1, x_2, ..., x_mx1,x2,...,xm。对应 x_1x1 的权重是 w_1w1 以此类推。在这里，我们的线性组合可以简洁得写成：$

$sum_{i=1} ^ m w_i cdot x_i∑i=1mwi⋅xi$

这里，希腊字母 Sigma $w_i cdot x_iwi⋅xi 的和。$

但是我们从哪里找到 $w_iwi 和 x_ixi？$

$sum_{i=1} ^ m∑i=1m 意思是遍历所有 ii 值，从 11 到 mm。$

这些都组合在一起 $sum_{i=1} ^ m w_i cdot x_i∑i=1mwi⋅xi 表示：$

以
求 $w_1 cdot x_1w1⋅x1 并记住结果$
让
求 $w_2 cdot x_2w2⋅x2 的值并把它加到 w_1 cdot x_1w1⋅x1$
重复这个过程直到

最后，无论是在这里还是你自己的阅读中，你都会看到公式有很多种写法。例如：你会看到 $sum_{i}∑i 而不是 sum_{i=1} ^ m∑i=1m。第一个只是第二个的简写。也就是说你看到一个没有起始点和截止点的求和，就表示要把它们全部加起来。有时候，如果遍历的值可以被推断，你可能会看到一个单独的 sum∑。记住，它们都是相同的：sum_{i=1} ^ m w_i cdot x_i = sum_{i} w_i cdot x_i = sum w_i cdot x_i∑i=1mwi⋅xi=∑iwi⋅xi=∑wi⋅xi$

计算激活函数的输出

最后，感知器求和的结果会被转换成输出信号，这是通过把线性组合传给激活函数来实现的。

当输入给到节点，激活函数可以决定节点的输出。因为它决定了实际输出，我们也把层的输出，称作“激活”。

最简单的激活函数之一是单位阶跃函数（Heaviside step function）。如果线性组合小于 0，函数返回 0，如果线性组合等于或者大于 0，函数返回 1。单位阶跃函数（Heaviside step function）如下图，其中 h 是已计算的线性组合：

单位阶跃函数 Heaviside Step Function

在上面这个大学录取的例子中，我们用了 $w_{grades} = -1, w_{test} = -0.2wgrades=−1,wtest =−0.2 作为权重。因为 w_{grades}wgrades 和 w_{test}wtest 都是负值，激活函数只有在 grades 和 test 都是 0 的时候返回 1。这是由于用这些权重和输入做线性组合的取值范围是 (-infty, 0](−∞,0] （负无穷到 0，包括 0）。$

用二维数据举例看起来最容易。在下图中，想象线上以及阴影部分的任何一点，代表所有可能对节点的输入。同时，想象 y 轴上的值为输入与适当权重的线性组合结果。并将这个结果作为激活函数的输入。

记得我们说过，单位阶跃函数对任何大于等于 0 的输入，都返回

当然，我们想要更多可能的 grade/test 组合在录取组里，所以我们需要对我们的激活函数做调整使得它对更多的输入返回

使我们函数返回更多

偏置项在公式中用

例如，下图蓝色部分代表先前的假设函数加了

现在，我们并不能事先知道神经网络该如何选择偏置项。但没关系，偏置项跟权重一样，可以在训练神经网络的时候更新和改变。增加了偏置项之后，我们有了一个完整的感知器公式：

感知器公式

如果输入 ( $x_1, x_2, ..., x_mx1,x2,...,xm) 属于被录取的学生，公式返回 11 如果输入 (x_1, x_2, ..., x_mx1,x2,...,xm) 属于未被录取的学生，公式返回 00。输入由一个或多个实数组成，每一个由 x_ixi 代表，mm 则代表总共有多少个输入。$

然后神经网络开始学习！权重 ( $w_iwi) 和偏置项 (bb) 被初始化为一个随机值，然后神经网络使用一种学习算法（比如梯度下降算法）来更新它们的值。权重和偏置项的更新使得下一个训练样本更准确地被归类，数据中蕴含的模式，也就被神经网络“学”出来了。$

现在你对感知器有了很好的理解，让我们把学到的知识予以应用。接下来，你将通过设定权重和偏置项来创建一个之前神经网络的视频中学到的 AND 感知器。