书名：代码本色：用编程模拟自然系统
作者：Daniel Shiffman
译者：周晗彬
ISBN：978-7-115-36947-5
第10章目录

10.2　感知器

1、感知器

• 感知器是由就职于Cornell航空实验室的Frank Rosenblatt于1957年发明的，它可以被视为最简单的神经网络：单神经元计算模型。

• 一个感知器由一个或多个输入、一个处理器和单个输出构成。

  
  

• 感知器遵循“前馈”模式，即神经元接收输入并处理输入，最后产生输出。
  在上图中，我们应该按照从左向右的方式解读这个神经网络（单个神经元）：接收输入，产生输出。

2、处理步骤

下面我们来详细讨论每个处理步骤。

1）第一步：接收输入

假设某个感知器有两个输入——x1和x2。

• 输入0：x1 = 12
• 输入1：x2 = 4

2）第二步：输入加权

每个被送入神经元的输入首先要被加权，也就是将它乘以某个权重（通常是介于-1~1的某个数）。当感知器被创建时，我们会为每个输入分配随机权重。假设本例的输入
权重如下。

• 权重0：0.5
• 权重1：-1

将每个输入乘以它的权重：

• 输入0 × 权重0 = 12 × 0.5 = 6
• 输入1 × 权重1 = 4 × -1 = -4

3）第三步：输入求和

对加权后的输入求和：

• 总和 = 6 + -4 = 2

4）第四步：产生输出

• 将总和传入一个激励函数（activation function）后，我们就能得到感知器的输出。输出可以是一个简单的二进制数，这相当于让激励函数告诉感知器是否“激发”某种操作。你可以在输出端连接一个LED灯：如果感知器被激发，灯亮；反之，灯不亮。
• 激励函数可以很复杂，人工智能书籍中的激励函数一般会涉及微积分的相关知识。但本例的激励函数非常简单，我们只是让它返回总和的符号。换句话说，如果总和是正数，输出结果就是1；如果是负数，输出结果就是-1。
• 输出 = sign（总和） => sign(2) => +1

3、感知器算法：

• 1.对每个输入，将它乘以对应的权重；
• 2.对加权后的输入求和；
• 3.把总和传入一个激励函数（返回符号），得到感知器的输出。

4、代码实现

• 假设我们将输入和权重分别放到两个数组中，比如：

float[] inputs = {12, 4};
float[] weights = {0.5,-1};

• “对每个输入”这句话暗示了一个循环，在每一轮循环中，我们将输入乘以权重，然后在循环中对它们求和。

float sum = 0; 步骤1和步骤2：将所有加权后的输入相加
for (int i = 0; i < inputs.length; i++) {
    sum += inputs[i]*weights[i];
}

• 得到总和之后，我们就可以用激励函数计算最后的输出。

float output = activate(sum); 步骤3：用一个激励函数处理总和
int activate(float sum) { 激励函数
    if (sum > 0) return 1; 如果是正数，就返回1；负数时返回-1
        else return -1;
    }