【導讀】到目前為止，我們關注的是單層感知器，它由一個輸入層和一個輸出層組成。您可能還記得，我們使用術語“單層”是因為此配置僅包括一層計算活動節點，即通過求和然后應用激活函數來修改數據的節點。輸入層中的節點只是分發數據。
到目前為止，我們關注的是單層感知器，它由一個輸入層和一個輸出層組成。您可能還記得，我們使用術語“單層”是因為此配置僅包括一層計算活動節點，即通過求和然后應用激活函數來修改數據的節點。輸入層中的節點只是分發數據。
單層感知器在概念上很簡單，訓練過程非常簡單。不幸的是，它不提供我們復雜的、現實生活中的應用程序所需的功能。我的印象是，解釋單層感知器的基本限制的標準方法是使用布爾運算作為說明性示例，這就是我將在本文中采用的方法。
神經網絡邏輯門
我們將使用一個極其復雜的微處理器來實現一個神經網絡，該神經網絡可以完成與由少數晶體管組成的電路相同的事情，這個想法有些幽默。但與此同時，以這種方式思考這個問題強調了單層感知器作為一般分類和函數逼近工具的不足——如果我們的感知器不能復制單個邏輯門的行為，我們知道我們需要找到一個更好的感知器。
讓我們回到本系列篇文章中介紹的系統配置。
這個感知器的一般形狀讓我想起了一個邏輯門，事實上，它很快就會變成這樣。假設我們使用包含輸入向量元素的 0 和 1 的樣本來訓練該網絡，并且僅當兩個輸入都等于 1 時輸出值才等于 1。結果將是一個神經網絡，它以類似于與門的電氣行為的方式對輸入向量進行分類。
該網絡輸入的維數為 2，因此我們可以輕松地將輸入樣本繪制成二維圖形。假設 input0 對應于水平軸，input1 對應于垂直軸。四種可能的輸入組合將排列如下：
由于我們正在復制 AND 操作，因此網絡需要修改其權重，使輸入向量 [1,1] 的輸出為 1，其他三個輸入向量的輸出為 0。基于這些信息，讓我們將輸入空間劃分為對應于所需輸出分類的部分：
線性可分數據
如上圖所示，當我們實現 AND 運算時，可以通過繪制一條直線對繪制的輸入向量進行分類。線一側的所有內容接收到的輸出值為 1，而另一側的所有內容接收到的輸出值為零。因此，在 AND 運算的情況下，呈現給網絡的數據是線性可分的。OR 操作也是如此：
事實證明，單層感知器只有在數據線性可分的情況下才能解決問題。無論輸入樣本的維數如何，都是如此。二維情況很容易可視化，因為我們可以繪制點并用一條線將它們分開。為了概括線性可分性的概念，我們必須使用“超平面”這個詞而不是“線”。超平面是在n維空間中可以分離數據的幾何特征。在二維環境中，超平面是一維特征（即一條線）。在三維環境中，超平面是一個普通的二維平面。在n維環境中，超平面具有 ( n -1) 維。
解決不可線性分離的問題
在訓練過程中，單層感知器使用訓練樣本來確定分類超平面的位置。在找到能夠可靠地將數據分成正確的分類類別的超平面后，它就可以采取行動了。然而，如果超平面不存在，感知器將不會找到它。讓我們看一個不可線性分離的輸入到輸出關系的例子：
你承認這種關系嗎？再看一看，無非是異或運算。您不能用直線分隔 XOR 數據。因此，單層感知器無法實現異或門提供的功能，如果它無法執行異或運算，我們可以放心地假設許多其他（更有趣的）應用程序將超出問題的范圍 -解決單層感知器的能力。
幸運的是，我們可以通過簡單地增加一層額外的節點來大大提高神經網絡解決問題的能力。這將單層感知器變成了多層感知器 (MLP)。正如上一篇文章所提到的，這一層之所以被稱為“隱藏”，是因為它與外界沒有直接的接口。我想您可以將 MLP 視為眾所周知的“黑匣子”，它接受輸入數據、執行神秘的數學運算并生成輸出數據。隱藏層在那個黑盒子里面。你看不到它，但它就在那里。
免責聲明：本文為轉載文章，轉載此文目的在于傳遞更多信息，版權歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權問題，請聯系小編進行處理。
推薦閱讀：
汽車LiDAR GaN的Design Win——高效功率轉換引領市場
