导语

学习感知机有助于更好的理解深度学习的神经元、权重等概念，感知机的结构和概念很简单，只要学过基本线性代数、数字电路逻辑就能理解，如果直接学习深度学习的神经元等概念，可能会比较难啃，但是在学过感知机之后，再走入深度学习的殿堂就变得简单了。

感知机

感知机的基本功能是允许接收多个输入信号，随后输出一个信号，有点类似程序设计语言中的函数，现实中比较好理解的例子有很多，比如说74ls138芯片，多路选择器这种，简单的原理如下图。

在这个感知机中，$x_1,x_2$作为输入信号，$y$为输出信号，$w_1,w_2$是权重，圆圈为节点，信号输入时会与对应的权重相乘，并将结果累和，当累和值超过阈值$\theta$时，$y$才会有输出1，否则为0。

以图论的角度来理解的话，整个感知机是一个有向无环图，$x_1,x_2$为点权，$w_1,w_2$为边权，$y$的点权由点权×边权的累和与阈值判断来决定。

将图以数学式子来表示的话，就是下式。

$$y=\{\begin{array}{llc}0,& if& (w_1{x}_1+w_2{x}_2\le \theta )\\ 1,& if& (w_1{x}_1+w_2{x}_2>\theta )\end{array}$$

权重越大，代表对应输入对最后结果的影响越大。

简单逻辑电路实现

从简单的数字电路逻辑实现来入手有助于对感知机进行理解，在此略过与或非等概念的解释，只给出实现

权重和配置

对于上一部分的式子，如果我们将$\theta$移到左边，用一个新的字符$b$来代替，可以发现得到的式子和深度学习所用到的式子非常类似，如下图。
$$y=\{\begin{array}{llc}0,& if& (w_1{x}_1+w_2{x}_2+b\le 0)\\ 1,& if& (w_1{x}_1+w_2{x}_2+b>0)\end{array}$$

$b$在这里被视为偏置，用来修正先前部分计算的结果，按照书上的说法是调整神经元被激活的容易程度，按照我的理解，$b$类似于一种敏感度，一个门槛，当先前部分结果越过了这个门槛，其值才有效。

与/或/与非

下面是书上对各门电路的实现代码，按照自己的编程习惯改了点。

与门实现

import numpy as np

def AND(x1,x2):
    x=np.array([x1,x2])
    w=np.array([0.6,0.6])#w是可变的
    b=-0.8#b也一样
    #w=[0.5,0.5],b=-0.7也可
    y=np.sum(w*x)+b
    if y<=0:
        return 0
    else:
        return 1

print(AND(0,0))
print(AND(0,1))
print(AND(1,0))
print(AND(1,1))

与非门实现

import numpy as np

def NAND(x1,x2):
    x=np.array([x1,x2])
    w=np.array([-0.6,-0.6])#w是可变的
    b=0.8#b也一样
    y=np.sum(w*x)+b
    if y<=0:
        return 0
    else:
        return 1

print(NAND(0,0))
print(NAND(0,1))
print(NAND(1,0))
print(NAND(1,1))

或门实现

import numpy as np

def OR(x1,x2):
    x=np.array([x1,x2])
    w=np.array([0.6,0.6])#w是可变的
    b=-0.3#b也一样
    y=np.sum(w*x)+b
    if y<=0:
        return 0
    else:
        return 1

print(OR(0,0))
print(OR(0,1))
print(OR(1,0))
print(OR(1,1))

线/非线性

在实现前面的各种门电路的时候，可以发现能够满足最后输出的权重值和偏置值是有多组的，为了更好的解释这个问题，书上结合了高中数学的线性规划知识点，用了一个非常巧妙的方法来解释这个问题，以或门的输出为例，具体如下图。

假设以$x_1$为横坐标，$x_2$为纵坐标，图中三角形为输出为1的情况，圆形为输出为0的情况，可以清楚的看到，以虚线$l$为分界线（即$b+w_1\ast x1+w_2\ast x2=0$）时，虚线正好把所有输出为0和输出为1的情况分开了，也就是说，构成了一个可以由一条直线分割的线性空间，通常情况下，这条直线是不唯一的，这也解释了偏置值和权重值存在多组的原因。

在实现了与门等简单电路后，我们可以探讨如何实现异或门，异或门是否也能像前三个一样实现？以异或门的输出构造的图如下。

可以发现，无论取怎样的直线，都不可能将1和0的情况完全分割开了，这个时候，直线已经无法分割了，也就是说不存在可用的线性空间了。

一计不成再生一计，当我们使用曲线时，就会发现，存在一个曲线能够将0和1的情况分割开来，与直线相对应的，即存在一个可用曲线分割的非线性空间。

单/多层感知机

到这里，异或和感知机似乎无缘了，但是如果学习过数字电路逻辑就知道，异或是可以通过与门这些门电路进行实现的，在感知机上的具体体现，就是感知机可以通过“叠加层”来实现更复杂的结构。

像上述实现与门、或门这些的感知机，被称为单层感知机，因其输入输出间只有一层而得名，更具体来说，是因为单层感知机只能分割线性空间，而不能分割非线性空间，与单层感知机相对应的是多层感知机，输入输出间存在多层，可以分割非线性空间。

书中提到，理论上2层感知机可以表示任意函数（激活函数使用sigmod的感知机）。

异或

根据数字电路的知识，可以在与、或、与非门的基础上实现异或门，具体如下。

import numpy as np

def OR(x1,x2):
    x=np.array([x1,x2])
    w=np.array([0.6,0.6])#w是可变的
    b=-0.3#b也一样
    y=np.sum(w*x)+b
    if y<=0:
        return 0
    else:
        return 1

def NAND(x1,x2):
    x=np.array([x1,x2])
    w=np.array([-0.6,-0.6])#w是可变的
    b=0.8#b也一样
    y=np.sum(w*x)+b
    if y<=0:
        return 0
    else:
        return 1

def AND(x1,x2):
    x=np.array([x1,x2])
    w=np.array([0.6,0.6])#w是可变的
    b=-0.8#b也一样
    #w=[0.5,0.5],b=-0.7也可
    y=np.sum(w*x)+b
    if y<=0:
        return 0
    else:
        return 1

def XOR(x1,x2):
    return AND(NAND(x1,x2),OR(x1,x2))

print(XOR(0,0))
print(XOR(0,1))
print(XOR(1,0))
print(XOR(1,1))

图示如下，可以看到是一个有向无环图，其中$x_1,x_2$与$s_1,s_2$是全连接，整个图有点像网络流。

总结

在数字电路和基本的线性规划基础上，理解感知机是不难的，感知机作为深度学习的起点和敲门砖，实在是一个非常巧妙的结构，此书也讲解的非常透彻、便于理解。

参考文献

1. 《深度学习入门——基于Python的理论与实践》