1、 感知機
在大部分的神經網絡或者深度學習的教材中，基本上都會在開頭介紹感知機。爲什麼呢？因爲感知機是神經網絡算法乃至深度學習算法的源頭，後兩者雖然要複雜，但是也不過是感知機稍作改進，堆疊而成的，因此學習感知機也對學習後續的這些改進有非常大的幫助。而其中最主要的改進就是激活函數還有反向傳播，這是後話，我們會在後面的章節中詳細講解。首先我們來看看感知機是什麼。
1.1 感知機是什麼？
感知機這個名字聽起來挺複雜，其實是一個非常簡單的算法。感知機是一個接收多個輸入，輸出一個輸入的算法。最好理解的例子是，你把感知機想象成很多人推一輛汽車的情景。每個人的推力就是一個輸入，而這個車動（0）或者不動（1）就是輸出。當衆人的合力大於汽車的摩擦力的時候，車子就動了。在感知機中同樣如此，當輸入的和大於或等於某個設定值θ時，感知機輸出1(激活)，否則就輸出0（抑制）。而這個數θ就稱爲感知機的閾值。
下圖是一個簡單的感知機的例子,感知機又兩個輸入，分別是x1 和x2,輸出爲y。值得注意的是，感知機不是簡單地將x1和 x2 直接相加，而是分別賦予信號權重 w1 和 w2。 因此，兩個輸入信號先分別乘上權重，再相加，最後輸入到圓形O（也稱爲神經元或者神經節點）中，當兩者的加權大於或等於設定的θ時，神經元輸出1，否則輸出0。
以上就是感知機的所有原理，可以用數學式表達如下：
/感知機數學表達式