感知器

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

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。

感知器

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）。

Perceptron

感知器示例

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

感知器算法

Frank Rosenblatt 建议使用此算法：

设置阈值
将所有输入与其权重相乘
将所有结果相加
激活输出

1. 设置阈值:

阈值 = 1.5

2. 将所有输入与其权重相乘:

x1 * w1 = 1 * 0.7 = 0.7
x2 * w2 = 0 * 0.6 = 0
x3 * w3 = 1 * 0.5 = 0.5
x4 * w4 = 0 * 0.3 = 0
x5 * w5 = 1 * 0.4 = 0.4

3. 对所有结果求和:

0.7 + 0 + 0.5 + 0 + 0.4 = 1.6（加权和）

4. 激活输出:

如果总和 > 1.5，则返回 true ("Yes I will go to the Concert")

笔记

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。

示例

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);

亲自试一试 »

感知器术语

感知器输入（节点）
节点值 (1, 0, 1, 0, 1)
节点权重（0.7、0.6、0.5、0.3、0.4）
激活函数（总和 > 阈值）

节点（感知器输入）

感知器输入称为节点。

节点都有一个值和一个重量。

节点值（输入值）

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

节点权重

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

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)

笔记

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：

艺人好不好
天气好吗
...

多层感知器可用于非常复杂的决策。

神经网络

这个感知器定义第一步神经网络: