PyTorch 教程-感知器
感知器 是一个单层神经网络，或者我们可以说神经网络是多层感知器。感知器是一个二元分类器，它在监督学习中使用。人工神经网络中的生物神经元的简单模型称为感知器。
能够决定表示为数字向量的输入是否属于某个特定类别的函数被称为二元分类器。二元分类器是一种线性分类器。线性分类器是一种基于线性预测函数和特征向量的一组权重进行预测的分类算法。
感知器算法旨在将主体分类为两种类型之一，对视觉输入进行分类并通过一条线将组进行分隔。分类是图像处理和机器学习的关键部分。感知器算法通过使用机器学习算法找到并分类模式，通过找到通过数字或视觉输入接收的不同对象和模式之间的线性分离进行分组。
一个普通的神经网络如下所示。
感知器由四个部分组成，这些部分对于在PyTorch中实现感知器模型是必须理解的。
- 输入值或一个输入层 感知器的输入层由人工输入神经元组成，将初始数据带入系统进行进一步处理。
- 权重和偏差 权重表示单元之间连接的强度或维度。如果从节点1到节点2的权重较大，则神经元1对神经元2的影响较大。输入对输出的影响程度由权重决定。 偏差类似于线性方程中添加的截距。它是一个附加参数，其任务是调整输出，同时考虑到输入到神经元的加权和。
- 激活函数 是否激活神经元由激活函数确定。激活函数计算加权和，然后加上偏差以给出结果。
神经网络基于感知器，因此如果我们想要了解神经网络的工作原理，就要学习感知器的工作原理。
感知器的工作基于以下三个简单步骤：
a) 在第一步中，所有输入x都与它们的权重（表示为K）相乘。这一步是必不可少的，因为这一步的输出将是下一步的输入。
b) 下一步是将从K1到Kn的所有乘积值相加。这被称为加权和。这个加权和将被视为下一步的输入。
c) 在下一步中，从前一步计算得到的加权和应用于正确的激活函数。
例如
单位阶跃激活函数
