2.2.1 感知器

提到神经网络，不得不提感知器（Perceptron）（也称为“感知机”）。1958年，计算科学家罗森布拉特（Rosenblatt）提出了由两层神经元组成的神经网络。他给它起了一个名字——“感知器”。

感知器是当时首个可以自我学习的机器学习算法。罗森布拉特现场演示了其学习和识别简单图像的过程，在当时引起了轰动，见图2-9。

图2-9 罗森布拉特现场演示自我学习的机器学习算法

人们认为已经发现了智能的奥秘，许多学者和科研机构纷纷投入感知器的研究中。美国军方大力资助了神经网络的研究，并认为神经网络比“原子弹工程”更重要。这个热潮直到1969年才结束，这个时期可以看作神经网络的第一次高潮。

如前所述，人工神经网络是对人脑神经网络的模拟，而感知器提出了最早的“人造神经元”模型。下面我们来看看人的神经网络的基本工作原理。

（1）外部刺激通过神经末梢，转化为电信号，转导到神经细胞（又叫神经元）。

（2）无数神经元构成神经中枢。

（3）神经中枢综合各种信号，做出判断。

（4）人体根据神经中枢的指令，对外部刺激做出反应。

感知器如图2-10所示，中间的圆就是一个感知器，好比神经细胞。它接受3个输入，a1，a2，a3，它们有3个权重w1，w2，w3，分别代表这三个输入的强度，好比神经末梢感受到各种外部环境的变化后，产生生物电信号。计算公式如下：

Z=a1×w1+a2×w2+a3×w3

在“感知器”中，有两个层次，分别是输入层和输出层。输入层里的“输入单元”只负责传输数据，不做计算。输出层里的“输出单元”则需要对前面一层的输入进行计算。

图2-10 感知器