2.2 感知机

我们先来看一个概念，什么叫感知机？首先，感知机是最简单的神经网络，它具备神经网络的必备因素，当然，单看一个神经元是无法理解“网络”的概念的。

网络接收若干个输入，并通过输入函数、传输函数给出一个网络的输出。这个网络已经可以解决苹果和香蕉的分类问题。本节将具体介绍其内部原理。

现在我们不叫它神经元了，我们叫它感知机，它是最简单的神经网络。

我们用感知机解决一个经典分类问题——如何分辨香蕉和苹果。

若你的年龄不低于2岁，那么我想你能分辨出香蕉和苹果，而计算机是如何做到的呢？

为了将问题简单化，我们假设香蕉和苹果都只有两个特征——颜色和形状，其他特征我们不考虑，比如气味、触感等。这两个特征都是基于视觉刺激得到的，用树突p1代表输入颜色刺激状态，树突p2代表形状刺激状态，权重w1默认都设置为1，即假设之前受到的颜色和形状的刺激一样多。再简化点，我们将内部强度b设为0。我们定义1就是苹果，0就是香蕉。

我们为苹果和香蕉的两个特征设定一个值，便于机器计算，如表2-2所示。

颜色和形状对神经元来说都是外界的一个刺激，我们说：

p1（颜色）= 1或-1

p2（形状）= 1或-1

预设：

w1=w2= 1

b = 0

代入之前s的那个公式看看得到什么结果？

对苹果的鉴别如下：

s=1×1+1×1+0=2

对香蕉的鉴别如下：

s=-1×1+(-1)×1+0=-2

我们通过输入苹果和香蕉的两类特征值得到不同的输出结果，也就是s，苹果的输出结果是2，香蕉的输出结果是-2。

几乎已经完成识别了。

我们定义的是1为苹果，0为香蕉，如何将-2或2变为1或0的分类表达呢？这就需要传递函数处理了，我们选用step函数作为数据格式处理函数，step的输出就是0和1，将数据代入，则step(2)=1,step(-2)=0，和我们预期的一样。

我们利用简单感知机实现了一个识别苹果和香蕉的例子。

聪明的读者会发现，所有的结果都是基于设定好的相关参数w1、w2和b这些神经元关键权重参数。

我们为什么要取值为1、1和0呢？如果取其他值有什么问题吗？会对结果有什么影响吗？