感知机是SVM和神经网络的基础。

神经元

f()函数理想中为阶跃函数，但实际中应用sigmoid函数

感知机与神经元

感知机（Perceptron）由两层神经元组成（输入层、输出层），输入层接收外界输入信号后传递给输出层，输出层是M-P神经元，亦称“阈值逻辑单元”（threshold logic unit）。

输入层只接受输入而没有权重以及阈值，输出层的神经元有阈值，两层间连接有权重。

把阈值当做是第n+1个权重，第n+1个输入是-1，那么就可以把阈值放进权重里了。那么只需要做权重的学习。

根据错误程度进行调整。

这样两层神经元只能处理线性问题，而非线性问题则需要多层网络。

输入输出层之间的叫做隐层。

误差逆传播算法

权重的学习用感知机那一套不行了，所以用了更强大的BP算法。

所有的参数如上图所示。

有两种BP算法，一种标准BP算法，每次更新只针对单个样本，更新频繁；另一种是累积BP算法，用累积误差最小化来进行更新，读取整个训练集之后才会进行一次更新。很多情况下先用累积BP，下降到一定程度，下降缓慢，再使用标准BP往往会有很好的效果。

详细讲一下标准BP算法。

同理可以得到其他三个参数的更新

另一种累积误差BP算法。

累积误差：

只需要一个包含足够多神经元的隐层，多层前馈网络就能以任意精度逼近任意复杂度的连续函数。

表示能力太强大，容易过拟合，有如下两个解决方案：

局部极小与全局最小

这个就跟高数中讲的一样，使用梯度下降法，找到的是局部极小值，如何跳出局部极小来找到全局最小？

原文出处