白话机器学习-感知机

在机器学习里面，有一大类叫做神经网络。神经网络里面，大名鼎鼎的有卷积神经网络CNN，循环神经网络RNN。其中，卷积神经网络在图形图像处理方面，有着很出色的成果。例如识别图像的功能，通过基于CNN的深度学习技术，现在机器已经可以识别出很多东西了。下面这个图是电视剧《三生三世 十里桃花》的剧照，使用Tensorflow和ImageNet，机器告诉我们，这张图是 kimono（和服）的可能性是 0.86。gown（长外衣；外罩）0.05.

如果是一些简单的图片，例如键盘，鼠标，水杯等，识别准确度还是蛮靠谱的。

神经网络的如果要用图来表示的话，应该就是下面这个样子的。最左边的是输入，最右边的是输出。然后中间有很多隐藏层。

这个图中隐藏层只有一层，但是大部分用于真实计算的神经网络，都会有很多隐藏层。

无论是简单的，还是复杂的神经网络，其中最小的单元就是感知器。

对于感知器的介绍，可以参考网络上的文章:

既然是白话，那么我们就用讲故事的方法来说一下。(假设读者已经阅读了上面的文章) 假设有一次考试，分为语文，数学，英语，满分都是100分。但是，语文，数学，英语占的权重（weight）不一样。同时，我们还需要根据考试难度，在最后总分上面，进行一些加分或者减分的调整(bias)。最后，根据一个标准（激活函数 Step Function）来定考试合格或者不合格（output）。

如果教务处说，我们是外国语学校，对于英语成绩比较看重，则我们给予这样的英语比较高的权重。

X1：语文成绩 W1：0.3

X2：数学成绩 W2：0.2

X3：英语成绩 W3: 0.5

然后，由于这次考试难度比较高，则每个人都加5分 （这个其实叫做 偏置项 bias）

X0=1 W0=5

成绩=X0 * W0 + X1 * W1 + X2 * W2 + X3 * W3

然后，如果成绩为60分及以上则为合格。（激活函数 Step Function）

如果 成绩 >=60 ,则合格

成绩 合格

语文成绩 80 * 0.3=24

数学成绩 50 * 0.2=10

英语成绩 40 * 0.5=20

附加分 5

成绩 24 + 10 + 20 + 5=59=> 不合格

当然，一般来讲，感知机往往是激活函数（StepFunction）是事先决定的，作为训练数据的输入，输出是已知的，权重则是需要通过机器学习来获得的。我们的例子中，合格标准是事先决定的，60分及格，然后给出一部分数据：某些人的语文成绩，数学成绩，英语成绩 ，是否合格，然后通过机器学习，将各科的权重计算出来，获得一个模型。然后利用这个模型，通过输入 语文成绩，数学成绩，英语成绩，来判定是否合格。

当然，如果在训练数据比较少的时候，这个权重可能计算的不是很准确，数据越多，权重越准确。

语文成绩 50 数学成绩 40 数学成绩 40 附加分 5 合格 语文成绩 80 数学成绩 50 数学成绩 40 附加分 5 不合格

能够满足这样条件的权重有很多很多，所以机器学习的结果可能不是很好。 但是如果有足够的数据，则权重的计算结果则会非常理想。

最后再回来说一下，为什么叫感知机，其实最简单的，最原始的时候，感知机的输出就是 0（不合格） 或者 1（合格）.结果能被感知，或者不能被感知。当然，随着研究的深入，则输出形式也越来越丰富了，不仅限于是否，也可以是数值或者其他形式的东西。例如，感知机做线性回归的时候，则是数值作为输出。

关注公众号 TensorFlow教室 深度学习，机器学习，自然语言处理。