【深度学习基础篇】基础架构单元——神经元 / 感知器

一、感知器（基础人工神经元）

官方定义

感知器是由罗森布拉特提出的最基础线性人工神经元模型，接收多维度输入向量，对各输入分量赋予权重并线性加权求和，叠加偏置项后通过阶跃激活函数输出二值结果（0 或 1），仅可用于线性可分数据集的二分类任务。

大白话

最初代的 AI 小裁判，接收好几条信息，每条信息定个看重程度，全部加起来再补个基础分，最后只给出两个答案：是 或者 否，只能分开能用一条直线切分的数据，复杂情况判断不了。

重要提醒！小叶会每天更新深度学习相关知识，跟着小叶一起来深度学习一点都不难。每天记得看一下哦，不要落下重要知识了。

二、单个神经元通用公式

官方公式

\(y=\sigma\left(\sum_{i=1}^n w_i x_i + b\right)\)

逐项官方释义 + 大白话

1. \(x_i\)：输入特征向量分量 大白话：一条条拿来参考的已知条件
2. \(w_i\)：连接权重参数 大白话：这条条件有多重要，正数加分、负数扣分
3. \(\sum w_ix_i\)：输入加权线性和 大白话：所有条件按重要度算完总分
4. b：偏置项 大白话：固定基础分，哪怕所有条件都是 0，也能有初始分数
5. \(\sigma(\cdot)\)：激活函数 大白话：一套打分规则，把总分转换成最终输出
6. y：神经元输出值 大白话：这个小神经元最终给出的结论

三、线性组合部分 \(\sum w_ix_i+b\)

官方定义

对输入做仿射变换，将多维输入映射为单个标量数值，属于纯线性运算。

大白话：纯算数加减乘，只能画直线，学不会曲线规律。

四、激活函数 \(\sigma\)

官方定义

引入非线性映射，打破网络线性表达局限，使多层神经网络具备拟合任意复杂连续函数的能力。

大白话：不加这一步，堆再多层网络也只会算直线；加上之后才能识别图片、文字这种弯弯绕绕的复杂规律。

五、感知器核心局限

官方表述

仅具备线性分类能力，无法处理异或等非线性可分问题，无梯度概念，不能使用梯度下降法迭代优化参数。

大白话：稍微绕一点的问题它就分不清，没法自动慢慢改错优化，所以被现代神经元替代。

六、神经网络层级角度

官方：大量神经元按输入层、隐藏层、输出层分层互连堆叠，构成人工神经网络。

大白话：无数个这种小裁判排成好几排，第一层接收原始数据，中间多层层层提炼信息，最后一层给出最终答案，就是神经网络。

小叶发现很多朋友看完就走了，顺手点个关注和赞只是举手之劳啦，这是对小叶最大的认可！希望大家看到后，点个赞啦。