这里我们提出一个神经网络解决异或问题。
X = np.array([[1,0,0],[1,0,1],[1,1,0],[1,1,1]])
Y = np.array([-1,1,1,-1])
x1 = [0,1] y1 = [1,0] x2 = [0,1] y2 = [0,1]
异或问题出现四个点，此时一条直线无法正确地区分出正负样本，于是我们引入线性神经网络
线性神经网络：
线性神经网络于感知器的主要区别在于，感知器的激活函数只能输出两种可能的值，而线性神经网络的输出可以取任意值，其激活函数是线性函数。线性神经网络采用Widrow-Hoff学习规则，即LMS（Least Mean Square）算法来调整网络的权值和偏置。
线性神经网络在结构上与感知器非常相似，只是神经元激活函数不同。在模型训练时把原来的sign函数改为了purelin函数（y=x）。
LMS学习规则：
线性神经网络结构：
这里我们可以看到线性神经网络结构中有两个激活函数，一个是purelin线性激活函数，一个是感知器里面的sign激活函数。为什么有两个呢？是因为我们训练模型的时候我们可以用purelin线性激活函数，这样我们可以得到一个更好的效果。但是我们输出结果的时候还是要用到sign激活函数，因为要分为-1和1。
Delta学习规则：
1986年，认知心理学家McClelland和Rumelhart在神经网络训练中引入了Delta学习规则，该规则也可以称为连续感知器学习规则。
Delta学习规则是一种利用梯度下降法的一般性的学习规则。
代价函数（损失函数）（Cost Function，Lost Function）：
梯度下降法（一维情况）：代价函数的值随着权值的改变而改变，改变权值的目的是为了得到最小的代价函数值。假如一个点在左边，△W与负梯度成正比，左边梯度为负数，负梯度即为正，△W与其成正比，所以为正。W=W加上一个正数，所以W就变大，向右移。
梯度下降法（二维情况）：红色代表高的地方，蓝色代表低的地方。
梯度下降法的问题：
