第634章

    對於一個給定的感知器來說，它的權重和閾值也是給定的，代表一種決策策略。因此，我們可以通過調整權重和閾值來改變這個策略。

    關於閾值threshold，這裡需要指出的一點是，為了表達更方便，一般用它的相反數來表達:b=-threshold，這裡的b被稱為偏置（bias）。

    這樣，前面計算輸出的規則就修改為:如果w1x1+w2x2+w3x3+...+b0，則輸出output=1，否則輸出output=0。

    而權重w1=w2=-2，則b=3。

    很明顯，只有當x1=x2=1的時候，output=0，因為(?2)*1+(?2)*1+3=?1，小於0。而其它輸入的情況下，都是output=1。

    所以在實際情況下，這其實是一個“與非門”！

    在計算機科學中，與非門是所有門部件中比較特殊的一個，它可以通過組合的方式表達任何其它的門部件。這被稱為與非門的普適性(gateuniversality)。

    既然感知器能夠通過設置恰當的權重和偏置參數，來表達一個與非門，那麼理論上它也就能表達任意其它的門部件。

    因此，感知器也能夠像前面三體中的例子一樣，通過彼此連接從而組成一個計算機系統。

    但這似乎沒有什麼值得驚喜的，我們已經有現成的計算機了，這只不過是讓事情複雜化了而已。

    單個感知器能做的事情很有限。要做複雜的決策，所以則是需要將多個感知器連接起來。

    而實際中的網絡可能會有上萬個，甚至數十萬個參數，如果手工一個一個地去配置這些參數，恐怕這項任務永遠也完成不了了。

    而神經網絡最有特色的地方就在於這裡。

    我們不是為網絡指定所有參數，而是提供訓練數據，讓網絡自己在訓練中去學習，在學習過程中為所有參數找到最恰當的值。

    大體的運轉思路是這樣:我們告訴網絡當輸入是某個值的時候，我們期望的輸出是什麼，這樣的每一份訓練數據，稱為訓練樣本（trainingexample）。

    這個過程相當於老師在教學生某個抽象的知識的時候，舉一個具體例子: