最近在複習深度學習，最基礎的感知器是神經網絡的基礎組成單元，理解一下感知器分類算法是如何進行數據訓練的吧！
從上面的圖中可以看出，上面的數據集中的點，感知器會隨機畫一條直線作爲分隔界限，從上面圖中看出，初始的分隔界限產生了兩個分類錯誤的點，那麼怎麼能進一步優化這個分隔線，使得他的分類效果達到更好？
對於錯誤分類的點，感知器是努力讓分割線離得更近一點，所以感知器會適當的調整分割線的位置，使得分割線離分類錯誤的點更近一些。
上圖中給出一個具體的例子，分割線：3X1+4X2-10 = 0,上方藍色的區域是正區域，下方紅色區域的是負區域，這裏面分爲兩種情況：
（1） 真負點被劃爲正區域（如上圖）：一個紅色的點被劃分到藍色的區域，此時，需要調整分隔線的位置，使得分割線離那個紅色的點更近一點，如何調整呢？調整的方法見圖中右邊的計算公式，這裏有一個學習率（learnig rate）設爲0.1，假如那個紅色點的座標（4，5），在加上一個常量1，則（4，5，1）*0.1 = （0.4，0.5，0.1），再用分割線的係數（3，4，-10）-（0.4，0.5，0.1）=（2.6，3.5，-10.1），調整一次後的方程爲：2.6X1+3.5X2-10.1 = 0
（2）真正點被劃爲負區域（如上圖）：一個藍色的點被劃分到紅色的區域，此時，需要調整分隔線的位置，使得分割線離那個藍色的點更近一點，如何調整呢？調整的方法見圖中右邊的計算公式，這裏有一個學習率（learnig rate）設爲0.1，假如那個紅色點的座標（1，1），在加上一個常量1，（1，1，1）*0.1=（0.1，0.1，0.1），分割線的係數（3，4，10）+（0.1，0.1，0.1）=（3.1，4.1，10.1），經過一次調整後的方程變爲 3.1X1+4.1X2+10.1 = 0
感知器的學習過程就是反覆進行調整分隔線的位置的過程。
下面採用了Python的程序模擬了一下感知器的學習過程：
程序源碼可以在github 上下載：感知器模擬練習
在這個程序中 學習率 learning_rate 和 循環的次數可以隨意變換，下面給出不同學習率和不同循環次數的模擬圖：
具體代碼請自己下載查看，歡迎指教！