什麼是感知器？它的侷限性是什麼？如何在機器學習中克服這些侷限性？

神經網路最基本的例子是“感知器”。它是由 Frank Rosenblatt 在 1957 年發明的。感知器是一種類似於邏輯迴歸的分類演算法。這是因為，與邏輯迴歸類似，感知器具有權重 w 和輸出函式 'f'，它是權重和輸入的點積。

唯一的區別在於 'f' 是一個簡單的階躍函式，而邏輯迴歸規則應用於邏輯函式的輸出。另一方面，感知器可以理解為一個簡單的單層神經前饋網路的例子。

感知器曾被認為是一種很有前景的網路形式，但後來人們發現它有一定的侷限性。這是因為感知器只能處理線性可分類。

一些科學家甚至發現並指出，感知器甚至無法學習像“異或”這樣簡單的邏輯函式。但是其他型別的神經網路可以用來克服這個問題。

具有多個相互連線的感知器並組織在不同順序層中的多層感知器在某些情況下會給出良好的精度。這將包括一個輸入層、一個或多個隱藏層和一個輸出層。

每一層中的每個單元都連線到下一層的所有單元。資訊傳遞到輸入層，並使用啟用函式來獲得該層的輸出。

一層的輸出作為下一層的輸入傳遞，並進一步傳播，直到最後一層。因此，命名為“前饋”網路。

神經網路可以使用梯度下降演算法和反向傳播進行訓練。

AmitDiwan

更新於：2020年12月10日

4K+ 次瀏覽

開啟你的職業生涯

透過完成課程獲得認證

開始學習