目录
1.感知机（Perceptron）介绍
2.网络结构与工作原理
3.模型工作示例
4.总结
1.感知机（Perceptron）介绍
感知机（Perceptron）是最早的人工神经网络模型之一，由弗兰克·罗森布拉特（Frank Rosenblatt）于1957年提出。它是一种简单的线性分类器，主要用于二分类任务。
2.网络结构与工作原理
感知机的结构非常简单，通常只包含一个神经元，通过输入特征的加权和以及阈值来判断输出类别。
感知机的训练原理是通过迭代调整权重和偏置，使得模型能够正确分类训练数据。
3.模型工作示例
这里使用一个分类的示例来解释感知机的工作原理，对于一个分类任务，可以把他简化成一个数学计算的问题，比如”苹果判断“，将苹果的颜色和大小用值的形式表示，然后输入预设参数，使用感知机模型来计算参数和大小颜色建立关联之后的值，当这个值和我们定义的标签值近似，就判断这个值合适，要不然就修改这个参数，最终输出一个适用于所有样本的参数。
4.总结
感知机的训练原理简单，但存在一些局限性：
线性可分性：只能解决线性可分问题，对于非线性可分问题，需要使用更复杂的模型，如多层感知机或核方法。
收敛速度：收敛速度可能较慢，尤其是当数据接近线性不可分时。
对初始权重和学习率敏感：训练结果可能对初始权重和学习率的选择较为敏感。
