正文

2.1 感知机是什么

接收多个输入信号，输出一个信号。
感知机的信号只有“流/ 不流”（1/0）两种取值。在本书中，0 对应“不传递信号”，1 对应“传递信号”。

一个接收两个输入信号的感知机的例子。$x_1$、$x_2$ 是输入信号，$y$ 是输出信号，$w_1$、$w_2$ 是权重（$w$ 是weight 的首字母）。图中的○称为“神经元”或者“节点”。输入信号被送往神经元时，会被分别乘以固定的权重（$w_1x_1$、$w_2x_2$）。神经元会计算传送过来的信号的总和，只有当这个总和超过了某个界限值时，才会输出 1。这也称为“神经元被激活” 。这里将这个界限值称为阈值，用符号 $\theta$ 表示。

用数学式来表示:

$y=\left\{\begin{matrix}0\quad(w_1x_1+w_2x_2\le\theta)\\ 1\quad(w_1x_1+w_2x_2>\theta)\end{matrix}\right.$

感知机的多个输入信号都有各自固有的权重（$w_1x_1$、$w_2x_2$），这些权重发挥着控制各个信号的重要性的作用。也就是说，权重越大，对应该权重的信号的重要性就越高。

权重相当于电流里所说的电阻。电阻是决定电流流动难度的参数，
电阻越低，通过的电流就越大。而感知机的权重则是值越大，通过
的信号就越大。不管是电阻还是权重，在控制信号流动难度（或者流
动容易度）这一点上的作用都是一样的。

2.3 感知机的实现

2.3.1 简单的实现

def AND(x1, x2):
    """
    模拟一个 AND 门
    """
    w1, w2, theta = 0.5, 0.5, 0.7  # 接受参数 w1 = 0.5, w2 = 0.5, 阈值为 0.7
    tmp = x1 * w1 + x2 * w2
    if tmp <= theta:
        return 0
    elif tmp > theta:
        return 1

print(AND(0, 0))
print(AND(1, 0))
print(AND(0, 1))
print(AND(1, 1))

2.3.2 导入权重和偏置

导入权重和偏置, 把 $\theta$ 换成 $-b$：

$y=\left\{\begin{matrix}0\quad (b+w_1x_1+w_2x_2\le 0)\\1\quad(b+w_1x_1+w_2x_2>0)\end{matrix}\right.$

此处，$b$ 称为偏置，$w_1$ 和 $w_2$ 称为权重。感知机会计算输入信号和权重的乘积，然后加上偏置，如果这个值大于 0 则输出 1，否则输出 0。

import numpy as np

x = np.array([0, 1])  # 输入
w = np.array([0.5, 0.5])  # 权重
b = -0.7  # 偏置
w * x

array([0. , 0.5])

np.sum(w * x)

0.5

np.sum(w * x) + b  # 大约为-0.2（由浮点小数造成的运算误差）

-0.19999999999999996

2.3.3 使用权重和偏置的实现

def AND(x1, x2):
    x = np.array([x1, x2])
    w = np.array([0.5, 0.5])
    b = -0.7
    tmp = np.sum(w * x) + b
    if tmp <= 0:
        return 0
    else:
        return 1

print(AND(0, 0))
print(AND(1, 0))
print(AND(0, 1))
print(AND(1, 1))

偏置的值决定了神经元被激活的容易程度。这里我们将 $w_1$ 和 $w_2$ 称为权重，将 $b$ 称为偏置，但是根据上下文，有时也会将 $b$、$w_1$、$w_2$ 这些参数统称为权重（将 1 也视为输入，$b$ 是调整神经元被激活的容易程度（输出信号为1 的程度）的参数）。

def NAND(x1, x2):
    """
    模拟一个非门
    """
    x = np.array([x1, x2])
    w = np.array([-0.5, -0.5])  # 仅权重和偏置与 AND 不同！
    b = 0.7
    tmp = np.sum(w * x) + b
    if tmp <= 0:
        return 0
    else:
        return 1

print(NAND(0, 0))
print(NAND(1, 0))
print(NAND(0, 1))
print(NAND(1, 1))

def OR(x1, x2):
    """
    模拟一个或门
    """
    x = np.array([x1, x2])
    w = np.array([0.5, 0.5])  # 仅权重和偏置与 AND 不同！
    b = -0.2
    tmp = np.sum(w * x) + b
    if tmp <= 0:
        return 0
    else:
        return 1

print(OR(0, 0))
print(OR(1, 0))
print(OR(0, 1))
print(OR(1, 1))

2.4 感知机的局限性

单层感知机无法解决异或问题。

2.5 多层感知机

2.5.1 已有门电路的组合

2.5.2 异或门的实现

def XOR(x1, x2):
    """
    使用之前定义的 AND 函数、NAND 函数、OR 函数，实现 XOR 门。
    """
    s1 = NAND(x1, x2)
    s2 = OR(x1, x2)
    y = AND(s1, s2)
    return y

print(XOR(0, 0))
print(XOR(1, 0))
print(XOR(0, 1))
print(XOR(1, 1))

实际上，与门、或门是单层感知机，而异或门是2 层感知机。叠加了多层的感知机也称为多层感知机（multi-layered perceptron）。

上图的感知机总共由3层构成，但是因为拥有权重的层实质上只有 2 层（第 0 层和第 1 层之间，第 1 层和第 2 层之间），所以称为“2 层感知机”。不过，有的文献认为上图的感知机是由 3 层构成的，因而将其称为“3层感知机”。

2.7 小结

感知机是具有输入和输出的算法。给定一个输入后，将输出一个既
定的值。
感知机将权重和偏置设定为参数。
使用感知机可以表示与门和或门等逻辑电路。
异或门无法通过单层感知机来表示。
使用2层感知机可以表示异或门。
单层感知机只能表示线性空间，而多层感知机可以表示非线性空间。
多层感知机（在理论上）可以表示计算机。