深度学习入门04-感知机基本概念和简单逻辑电路

前面的文章我们介绍了Python的基础知识和一些常用的外部库。下面我们将开始学习深度学习的相关内容。首先，我们学习神经网络（深度学习）的起源的算法——感知机。

1 感知机是什么

感知机（Perceptron），有定义为：

二类分类的线性分类模型，其输入为实例的特征向量，输出为实例的类别。

这个概念是由美国学者Frank Rosenblatt在1957年提出来的，是神经网络和支持向量机的基础。

感知机接收多个输入信号，输出一个信号。这里所说的“信号”可以想象成电流或河流那样具备“流动性”的东西。像电流流过导线，向前方输送电子一样，感知机的信号也会形成流，向前方输送信息。但是，和实际的电流不同的是，感知机的信号只有“流/不流”（1/0）两种取值。 0对应“不传递信号”， 1对应“传递信号”。

下图是一个接收两个输入信号的感知机的例子。

x1、 x2是输入信号，y是输出信号， w1、 w2是权重。图中的圆圈称为“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（w1x1、 w2x2）。y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 θ表示。

感知机的运行原理只有这些！把上述内容用数学式来表示，就是下面的公式。