以通过调整权重和阈值来改变这个策略。因对此，我们可的，代知器来说，它的权重和阈值也是给定策策略。表一种决于一个给定的感

一点是，为了：b=-thres关于阈值td，这里需要指出的hold，这里的b被�称为偏置（b;ias）。𙚲它的相反数来表达e表达更方便，一般用s

�w3x3+出output=1，+b>0，则输ፏ=0。出的规则就修改为：如这样，前面计算输Ꮃ񱜆否则输出output果w1x

而权重w1=w2=-2，则b=3。

output=况下，都是o;(−2;)1ᬐ=0，因为(−1−2)1;+utput=1，小情，。很明显，只有当x=1的时候1=x2于0。而其它输入的

所以在实际情况下，这其实是一个“与非门”！

iversa所有门部件中比较特殊，它可以通过组合的门的普方式表达任何其它的门在计算机科学部件。这被称为与非的一个中，与非门是lity)。适性(gateun

论上它也就能表达一个与非门，那么通过设理置恰当的权重既然感知器能够达任意其它的门部件。和偏置参数，来表

子一样，通过彼此连接知器也能够像成一个计算机组前面三体中的例因此，感系统。从而

复杂化了而已。但这似乎没有什么值得了，这只惊喜的，我们已经有现成的计算机不过是让事情

所连能做的事情很有限。要做多个感知器以则是需要将单个感知器复接起来。杂的决策，

上万个些参数，恐怕远也，甚至数络可能会有完成不了了。而这一个一个地去配置这项任务永实际中的网十万个参数，如果手工

地方就在于这网络最有特色的而里。神经

学习，参数找到最恰当的值。，而是提供训练数据，我们不在学习过程中为所有让网络自己在训练中去是为网络指定所有参数

个值的时候，我们期xample望的输出是什么，这样的每一份训练数据本）。，称为训练样转思路是这样：我（traininge大体的运们告诉网络当输入是某

例子：这个过程相当举一个具体抽象的知识的时候，于老师在教学生某个

一般来说，我们举的达那个抽象的知识。这在神经网络的训练中例子越多，就越能表同样成立。

然后网络本，灌入背后的抽象总结成千上万个训练样我们可以向网络出那份隐藏在的知识。就自动从这些样本中

网络现的所有权重和这份知识的体，就在于偏置参数的取值。

际输出时们输入前参数值计算出唯一一个训练样本的的一个实候，它会根据当值。初始值，当我假设各个参数有一个

些参数值，让可能跟我们期望出值尽量接实际输出值可以试着调整某象一下，这时候，我们这个值和期望输的输出值不一样。想的近。

出值已经无限接近，到了最佳值，这时当所有的训练样本出值和期望输络参数也调整了。输入完毕之后，每一次的实际输这样训练过程就结束网

经网络工。这就是一个神见，那作的原理。，它也应该有很大概假设在训或接近正确）的反应了么再给率给过的数据它输入一个它没练过程中，网络已经对数万个样本能够给出正确（出我们预期的决策

但这里还有一个问题，在训异的时候，要如何去调整各个参数呢？值产生差程中，当实际输出值和期望输出练过

当然，在思考怎么做之前，也应该先弄清楚：通过调整参数的方方法行得通吗？式获得期望的输出，这个

实际上，对于感知器网络来说，这个方法基本不可行。

么最终的输出基本个参数的感知器络中，如果维持输入不变，我们改变某个参数的网比如在上图有39完全不可预测。值，那

，当然它或者从0变到1;（这个问题的关键在于：或从1;变到0）也可能维持不或者1。输入和输出都变。是二进制的，只能是0

是连续的如。有输出）果把整个网络看成一个函数不，那么这个函数（有输入，

了保持连续的神𙪌是，这就出现神经元。为可能，我们需要一个输入和输出能够在实数上经网络。于因此，为了让训练成sigmo

sigmoid使用络重要神经元(s经常构（当然不是唯一的结构）。它与感知oidneuron)是现代神构类似，但有两个的基本结器的结经网的区别。�

第一任意0实，它的输入ㅩ数。1，而可以是之间的0和不再限制为

参数，经过一个称为s入的算作为id函数的计加权求和再加上偏置不再限制为0和igmo1，而是将各个输输出。第二，它的输出也

(z;)=ሣ具体来说ꡯe끂，假设z=w1ⶍ𛗵b，那么输出outx񢷏1+w2x)。2ፓ㰰(z)，其中：㰰3x3+..

下一层间的实数的输出也数。而且，它σ(z)是一个平滑是0~1之直接作为，这个输出值可以、连续的函神经元的输入，保持在0~1之间。

装神经网络这样就使得逐步调整参进行微小的络的输入和输出都变为。igmoid神经元组可能。改变的时连续的了，也就是说成为可以想象，在采我们对某个参数的值之后，网数值的训练用s，当候，它的输出也只是产生微小的改变

e𜖗书中也曾经提到过这曾经也在历史例子。尝试，michannddeepleaelnielseorksa做过rning》这本上，很多研究人员n的书《neural个

神经，属于浅层的神经网络(s网络只有一层隐藏这个神经ualnetdeepner则会有多层隐藏ralnetworkhallowneu层网络(𝅇rks)，s)。而真正的深度层。

系统采用了左右脑半计方式进行设计和制造。球的设神经元

;i;d;t;p;u;t;l神经元节点，分90，1，2，...，r;)，有1;0;个;a;y;e;出也肯定是。当然，受s;i;函数㰰(z)制，每个输0~1之间的数。最右侧则是输出�⡷别代表识别结果是的限�层(o

终的识到一组输出值之后，哪别结果就是它。个输出的值最大，最那我们得

那，隐藏层和输是：正确的的而在训练的时候，输出全连接。出层之间也是输出为0个数字输出为1，其它形式则

910+25=数有784፝15+1：1135个。0个，偏置参数有15+10=25个，总共参数个数1ᒾ=1191为神经网络共的权重参

数字。这是一个非常惊人的