感知机
感知机≈二分类问题
感知机和其他问题的对比
训练感知机
如果小于等于零，说明预测错啦 ，其实就是同号为正，异号为负
举个分类的例子
增加样本，改变分类线
继续分类
感知机的收敛定理
XOR问题
XOR问题其实就是第1、3象限数值为-1， 第2、4象限数值为1 （即同一类），但是感知机不能拟合XOR问题，总有一个数据会分类错误。 【但是下面所描述的多层感知机可以解决这个问题】
感知机的小结
多层感知机
多层感知机学习XOR
单隐藏层
超参数是指在训练模型之前人工设定的配置选项或参数。 这些超参数决定了模型的结构、训练过程的行为以及优化算法的行为，而不是模型的内部权重值。 超参数的选择和调整对于训练一个有效的机器学习模型至关重要，因为不同的超参数设置可能导致不同的模型性能。
隐藏层的意义就是把输入数据的特征，抽象到另一个维度空间，来展现其更抽象化的特征。
单隐藏层-单分类
隐藏层一定要是非线性激活函数！！
如果隐藏式线性激活函数，那么该网络输出依然是线性的，等价于单层的感知机！！
Sigmoid激活函数
Tanh激活函数
多类分类
多隐藏层
感知机总结
多层感知机的从零开始实现 代码
添加图片注释，不超过 140 字（可选）
添加图片注释，不超过 140 字（可选）
添加图片注释，不超过 140 字（可选）
隐藏层、激活函数
训练过程
