感知器是一个人工神经元
这是最简单的可能神经网络
神经网络是的构建块机器学习。
弗兰克·罗森布拉特(1928 – 1971)是一位在人工智能领域著名的美国心理学家。
在1957他开始了一些非常大的事情。他"invented"a感知器程序,在康奈尔航空实验室的 IBM 704 计算机上。
科学家发现脑单元格(神经元)通过电信号接收来自我们感官的输入。
神经元再次使用电信号来存储信息,并根据先前的输入做出决策。
弗兰克的想法是感知器可以模拟大脑原理,具有学习和决策的能力。
原本的感知器旨在采取一些二进制输入,并产生一个二进制输出(0 或 1)。
这个想法是使用不同的重量来代表每一个的重要性输入,并且值的总和应大于临界点在做出决定之前先考虑值是的或者不(真或假)(0 或 1)。
想象一个感知器(在你的大脑中)。
感知器试图决定你是否应该去听音乐会。
艺人好不好?天气好吗?
这些事实的权重应该是多少?
标准 | 输入 | 重量 |
---|---|---|
艺术家就是好 | x1= 0 或 1 | w1 = 0.7 |
天气好 | x2= 0 或 1 | w2 = 0.6 |
朋友会来 | x3= 0 或 1 | w3 = 0.5 |
食物已送达 | x4= 0 或 1 | w4 = 0.3 |
提供酒精饮料 | x5= 0 或 1 | W5 = 0.4 |
Frank Rosenblatt 建议使用此算法:
1. 设置阈值:
2. 将所有输入与其权重相乘:
3. 对所有结果求和:
4. 激活输出:
如果您的天气权重是 0.6,那么对其他人来说可能会有所不同。体重越高意味着天气对他们来说更重要。
如果您的阈值是 1.5,那么对其他人来说可能会有所不同。较低的门槛意味着他们更愿意去参加任何音乐会。
const threshold = 1.5;
const inputs = [1, 0, 1, 0, 1];
const weights = [0.7, 0.6, 0.5, 0.3, 0.4];
let sum = 0;
for (let i = 0; i < inputs.length; i++) {
sum += inputs[i] * weights[i];
}
const activate = (sum > 1.5);
感知器输入称为节点。
节点都有一个值和一个重量。
每个输入节点都有一个二进制值1或者0。
这可以解释为真的或者错误的/是的或者不。
在上面的示例中,节点值为:1, 0, 1, 0, 1
权重显示力量每个节点的。
在上面的例子中,节点权重为:0.7, 0.6, 0.5, 0.3, 0.4
激活函数将加权和映射为二进制值1或者0。
这可以解释为真的或者错误的/是的或者不。
在上面的例子中,激活函数很简单:(sum > 1.5)
很明显,决定不是由一个神经元独自的。
许多其他神经元必须提供输入:
多层感知器可用于非常复杂的决策。
这个感知器定义第一步神经网络:
截取页面反馈部分,让我们更快修复内容!也可以直接跳过填写反馈内容!