弱弱网

手机浏览器扫描二维码访问

第636章（第1页）

对于一个给定的感知器来说，它的权重和阈值也是给定的，代表一种决策策略。因此，我们可以通过调整权重和阈值来改变这个策略。

关于阈值threshold，这里需要指出的一点是，为了表达更方便，一般用它的相反数来表达：b=threshold，这里的b被称为偏置（bias）。

这样，前面计算输出的规则就修改为：如果w1x1 + w2x2 + w3x3 +...+ b 0，则输出output=1，否则输出output=0。

而权重w1=w2=2，则b=3。

很明显，只有当x1=x2=1的时候，output=0，因为(?2)*1+(?2)*1+3=?1，小于0。而其它输入的情况下，都是output=1。

所以在实际情况下，这其实是一个“与非门”！

在计算机科学中，与非门是所有门部件中比较特殊的一个，它可以通过组合的方式表达任何其它的门部件。这被称为与非门的普适性(gate universality)。

既然感知器能够通过设置恰当的权重和偏置参数，来表达一个与非门，那么理论上它也就能表达任意其它的门部件。

因此，感知器也能够像前面三体中的例子一样，通过彼此连接从而组成一个计算机系统。

但这似乎没有什么值得惊喜的，我们已经有现成的计算机了，这只不过是让事情复杂化了而已。

单个感知器能做的事情很有限。要做复杂的决策，所以则是需要将多个感知器连接起来。

而实际中的网络可能会有上万个，甚至数十万个参数，如果手工一个一个地去配置这些参数，恐怕这项任务永远也完成不了了。

而神经网络最有特色的地方就在于这里。

我们不是为网络指定所有参数，而是提供训练数据，让网络自己在训练中去学习，在学习过程中为所有参数找到最恰当的值。

大体的运转思路是这样：我们告诉网络当输入是某个值的时候，我们期望的输出是什么，这样的每一份训练数据，称为训练样本（training example）。

这个过程相当于老师在教学生某个抽象的知识的时候，举一个具体例子：

一般来说，我们举的例子越多，就越能表达那个抽象的知识。这在神经网络的训练中同样成立。

我们可以向网络灌入成千上万个训练样本，然后网络就自动从这些样本中总结出那份隐藏在背后的抽象的知识。

这份知识的体现，就在于网络的所有权重和偏置参数的取值。

假设各个参数有一个初始值，当我们输入一个训练样本的时候，它会根据当前参数值计算出唯一的一个实际输出值。

这个值可能跟我们期望的输出值不一样。想象一下，这时候，我们可以试着调整某些参数的值，让实际输出值和期望输出值尽量接近。

当所有的训练样本输入完毕之后，网络参数也调整到了最佳值，这时每一次的实际输出值和期望输出值已经无限接近，这样训练过程就结束了。

假设在训练过程中，网络已经对数万个样本能够给出正确（或接近正确）的反应了，那么再给它输入一个它没见过的数据，它也应该有很大概率给出我们预期的决策。这就是一个神经网络工作的原理。

相邻推荐：我真的没想当大侠啊  重生之最强投资  高冷宝宝：薄情叶少，战斗吧！  极品修真宅男  开局签到汤臣一品  算什么男人  朕分分钟弄死你们  仙贤  溃不成婚  暴躁庶女专治各种不服  我成了反派配角  开门，社区送温暖  精灵之最强道馆训练家  替身的我和白月光互穿了  似爱  科技最狂潮  清穿之说情说意  万域天尊  良辰好景·老婆，离婚无效！  我抢了999种异能  我的黑科技帝国免费  我的超级黑科技帝国txt八零  我的超级黑科技系统  我的超级黑科技帝国3Q读书网  我的超级黑科技帝国叶凡免费阅读  我的超级黑科技帝国 免费听  我的超级黑科技帝国123  我的超级黑科技帝国免费阅读  我的超科技黑客帝国  我的超级黑科技帝国TXT精校  我的超级黑科技帝国萌主天下无敌TXT  我的超级黑科技帝国 萌主天下无敌  我的超级黑科技帝国笔趣阁  我的超级黑科技帝国免费  我的超级黑科技帝国 - 最新章节抢先读正版  我的超级黑科技帝国TXT  我的超级黑科技帝国 免费  超级黑科技帝国霸主