如此重要的感知器在线视频

有人形容 认识“感知器”是认识神经网络的第一步

介绍这么个情况

你可能就明白“感知器”的重要性了

人工智能火吗 很火啊

大佬们都说这是 势必影响人类未来生活的一场巨大的技术革命

是一种我们认识外部世界 认识未来世界 认识人类自身 重新定义我们自己的一种思维方式

是比文艺复兴 工业革命等等来的更大的一场革命

可是 人工智能其实经历过一次长达20年的冬天

和感知器有一定关系

在1969年就是觉得当时被寄予厚望的感知器连简单的XOR功能都实现不了

人工智能奠基人之一的MIT明斯基教授和同事派珀特教授出了《感知器》一书

直接对感知器的研究热度泼了冷水

接下来我们先看看这个“感知器”吧

下面就聊聊这个如此重要的感知器

它是什么 它为什么可以这么用 如何解决它的缺点

缺点例如被大牛明斯基教授和派珀特教授说的 感知器连XOR功能都不能实现

这就是感知器

多个输入 就一个输出

每个输入都有个权重

将所有的输入和权重对应相乘再求和

再加上偏移量b就得到了加权输入

那这个是什么

是激活函数 激活函数会作用在加权输入上

还记得之前智能小恐龙的线性和非线性吗

单层的感知器就是一种线性模型

那这样的感知器是如何作用的呢

这几张照片人物都是皇帝

皇帝帝王术之一 是要懂得权衡之术

感知器的权衡之术是通过自动调整权重和偏移量

从而解决线性分类问题

如何自动调整呢 也是之前小白讲的迭代过程

如果这次设定的权重和偏移量得到的分类结果和真实结果相同

则保持设定的权重和偏移量

反之 则需要调整权重和偏移量

是为了解决线性分类 例如之前计小白介绍过的”AND”和“OR”

但是不能解决非线性分类

例如之前计小白介绍过的”XOR”

这个是用感知器训练线性分类的效果

是可以训练出一条直线分出来的

下面这个图是感知器训练非线性分类的效果 不成功

那我们介绍如何解决感知器的线性不可分问题

看看”AND”的例子

两个输入 一个输出

输入为0或1 输出为0或1

两个输入都必须为1 则输出为1

反之 输出为0

训练就是寻找合适的参数

权重w1 w2和偏移量b

之前小白介绍学习有一步是要调整偏差

什么偏差 就是输入x应该得到的实际输出y

和输入x通过感知器计算预测的ŷ之间的偏差

第一步初始化w1 w2 b的值

例如为0或者较小的随机数

小括号里面的数字是迭代的次数

第二步 将训练集输入感知器

第一次计算出预测的ŷ

例如x1 x2都等于1 y等于1这组训练集

第一次计算出预测的ŷ是0

这里还有一个需要设定的参数学习率

设定学习率为0.1

然后计算得出第二次的参数值w1 w2和b

重复上面的第二步 第三步

一直到例如参数不再有明显变化 或者例如完成了训练次数等等

别忘了还有其他组训练集

训练出来的结果没有固定答案

初始值不同 学习率不同

训练出来的参数结果有可能不同

例如 训练结果可能是w1和w2都等于0.5 b等于-0.8

“OR”问题 就是两个输入只要有一个是1 实际输出y是1

两个输入都是0 实际输出y是0

“OR”问题中感知器训练出来的参数有一种是w1和w2都等于0.5 b等于-0.3

好了 我们继续我们的第三点

如何解决感知器“线性不可分问题”例如XOR问题

俗话说的好啊

“一个好汉”也是需要“三个帮”的

单层感知器解决不了 那就多层感知器合作一起解决

这就是用一个两层感知器来解决之前单层感知器不能解决的“XOR”异或问题

XOR问题就是 当x1和x2值不相同

就是如果一个为1 另一个为0时

实际输出y为1 反之为0

训练出来的参数有一种是这样的结果

好了 感知器我们都了解了 继续加油加油

这就是感知器 继续介绍神经网络