们可以通过调整权重给定的感知器阈值来改变这个策略。对于一个决策策略。因定的，代表一种和此，和阈值也是给来说，它的权重我

，为了s）。关于阈值thre为偏置（b;iasld，这里的b被称般用它的相反𙚯ld，这里需要指出的数来表达：b=resho表达更方便，一一点是�

ᄮ出output=1则输x3+...0。�&gt0，w1x1+w2x2+w3这样，前面计算输，否则输出outp修改为：如果就出的规则

b=3。2=-2，则而权重w1=w

候，output=输入只有当x1put=1。的情况下，都是out=−1，0，因为(−2)小于0。而=x2=1的时其它很明显，1;+;(−2;)1ᬐ

下，这其实是一个“与非门所以在实际情况”！

�在计算机科学中，与非，它可以通过组合的任何其它的门部件。是所有门部件中比n方式表达个的普适性(gateu较特殊的一rsality)。门这被称为与非门

么理论上它也就能表然感知器门部件。既过置参数那能够通恰当的权重和偏设置，来表达一个与非门，达任意其它的

从而组成一个计算机能够像前因此，感知器也过彼此连接通面三体中的例子一样，系统。

么值得惊喜的，而已。乎没有什但这似机了，这只的计算情复杂化了不过是让事已经有现成我们

很有限。要做情感知器连所以则是需要将多个单个感知器能做的事来。复杂的决策，接起

地去配置这有上万个，，如果手工一个一个际中的网络可能会也完成不了了。而参数甚至数十万个参数实，恐怕这项任务永远些

络最而神经网有特色的地方就在于这里。

我们不是为网络供训练数据，让网络指定所有参数，而是提所有参数找到，在学习过程中为最恰当的值。自己在训练中去学习

我们ninge入们告诉网络当输路是这样：大体的运转思是某个值的时候，每一期望的输出为训练样本（t我�xample）。份训练数据，称是什么，这样的

识的时候，举一个具某个抽象的知相当于老师在教学生这个过程体例子：

的训练中同样来说，我们举的例子成立抽象的知识。。这在神经网络般越多，就越能表达那个一

藏在背后的抽训练样本，然后网络知识。我们象的网络灌入成千上万个可以向就自动从这些样本中总结出那份隐

在于网络的所有这份知识的体现，就权重和偏置参数的取值。

个实际练样本出唯假设各个参数有会根据当前一个初始参数值计算入一个训值，当我们输输出值。一的一的时候，它

数的值，让出值出值尽量接近。一下，这时候，我们可望望不一样。想象以试着调整某这个值可能跟我们期些参的输输实际输出值和期

出值已经无限接近，这训练过程就结束了。期望输输出值和际次的实当所有的样，网络参数也调整到了最佳值，这时每一训练样本输入完毕之后

经网络一个它没见假设在决策预期的或接近正确）的反应了本能够给出正确（练过程中，网，那么再给它输入络已经对数万个样过的数据，它也应该有很大概率给出我们。工作的原理。这就是一个神训

望输出值产生差有一个问题，在训练过异的时候，要如何但这里还数呢？去调整各个参程中，当实际输出值和期

通过调整参当然，在思考怎么，也应的输出，这个方数的方式获得期望做之前该先弄清楚：法行得通吗？

个方法基本不可行。际上，对于感知器网络来说，这实

改变某个最终的输出基9个参数的器本完全网络中，如，那么果维持输入不变，我们感知比如在上图有3不可预测。参数的值

它或者从0变这个问题的关键在于：可到0），当然也能维持不变到1;（或从1;变输入和输出都是二进制的，只。能是0或者1。

如果把整个出成一个函数（有输入，有输那么这个函数不是连续），的。网络看

就出现了因此，为要一个输入和，这于是续的神经网络。输出能够在实神经元。数上保持连了让训练成为可能sigmoid，我们需

�知器，但有两个重要的)是现代神经网络经常。的结构）。它与感i区别是唯一sigmoi构（当然不d神经元(s的结构类似的基本结gmoidneu使用

意0~1以是任之间的实数。的输入不再限第一，它制为0和1，而可

0和1，而第二，它的输是将各个输入的加权i出也不再限制为输出。𙋅经为s求和再加上偏置参数，过一个称oid函数的计算作为

z;)=具体来说=，假设z=w1x1+。+e-z)ፓ+...+𜥼b，那么输出outp࿑w2x2+w3x3㰰(z)，其中：㰰(

作为下一层神输出值可以直接一σ(z)是持在0~1之间。，这个经元的输入，保输出也是0，它的。而且~1之间的实数个平滑、连续的函数

变为连续的了，也的输出也只是产生当我们可以想象，在为可能。的输入和输出都微采用sigmo经元组装神经网络之后id神网络，数值的训练成小的改变的时候，它就是说，得逐步调整参对某个参数的值进行微小的改变。这样就使

ng》这本书多研试，michaeln过这个例子。eeplearni也曾经提�中ielsen的书ⵍlnetwork在历史上，很究人员曾经也做过尝《neura到

llownks)，则会经网络(dee真正的深度ⴕ神只有多层隐藏层。lnetwork而eurapneru，属于浅层的有一层隐藏层alnetwor这个神经�。网络神经网络(

神经元系统采用了左设计和制造。右脑半球的设计方式进行

函数㰰(z)的限制r;)，有1(o;u;t然，受s;i;g;别代表识别结果�;p;u;t;l򑎫之间的数。出也肯定是02，...，9。当最右侧则是输出层a;y;e;是0，1，;i;d;个神经元节点，每个输;，分ㅩ

个输出的值果就是它。最大，最终的识别结那我们在得之后，哪到一组输出值

和输出层而在训练。那个输出为0，隐藏层数字输出为1，其它之间也是全连接的时候，输出的形式则是：正确的

神经网络共的权重1935个。1191+25=10个，偏置参数个数为：11910总共参数有15+10=25个，参数有78415+1ᒾ=

非常惊人的这可是一个数字。