对于一个给定的感知它的权重和阈值也是我们可以通给定的，代表一过调值来改变这个策略。说，器来整权重和阈种决策策略。因此，

as）。（b;ithresold，这这里需要指出的一点是，为了表相反数来表达：b里的b被称为偏置hold，关于阈值达更方便，一般用它的=-thresh

w2x2>0，规则就修改为：如，否ut=0。果w1�则输出outp+w3x3则这样，前面计算输出的+...+b输出output=1

w2=-2，则b==而权重w13。

而其它输入的情况下ut=1。，只有当x1=x2=1的时候，o很明显utput=0，因为，都是outp(−2)1;+;(，小于0。ᬐ=−1−2;)1

“与非门”！所以在实际情况下，这其实是一个

在计一个，它可以通过组gate所有门部件中比较特门部件的普适性(合的方式表ty)。殊的u算机科学中，与非门是niversali。这被称为与非门达任何其它的

重和偏置参数，来表既然感知器能够表达任意其达一个与上它也就能它的门部件。通过设非门，那么理论置恰当的权

前面三体中的例子知器也能够像因此，感算机系统。一样，通过彼此连接从而组成一个计

经有现成的计算化了而已过是让事情复杂。，我们已机了值得惊喜的，这只不但这似乎没有什么

复杂的决策，所以个感知器连接起来。单个感知器能做则是需要将多的事情很有限。要做

了。这数十项任务永远也完成不了一置这些参恐怕而实际中的网络可能会万个参数，如果手工个一个地去配有上万数，个，甚至

就在于这里。地方而神经网络最有特色的

有参数数学习过，而是提供训练网络自己在训练中程中为不是为网络指定所，在据，让的值。我们去学习所有参数找到最恰当

ningexampl络当输望的输出是什么，这样的每一份训练数大体的运转思路网某个值的时候，我们期入是据，称为训练样是这样：我们告诉。e）本（trai

这个过程相当于知识的时候，举一个具老师在教学生某个抽象的体例子：

个抽象的知识一般。这在神经网样成立。来说，我们举的例子越多，络的训就越能表达那练中同

隐藏在背后的抽我们可然后出那些样本中总结万个训练样本，份网络就自动从这以向网络灌入成千上象的知识。

就在网络的所有权重置参数和偏的取值。于这份知识的体现，

候，它会根据当前参数输出值。出唯一的一各当我们输入一个训个参数有一个初始值，练样本的时个实际假设值计算

值，这个值可能跟我们期望的输出值不一样。想象一下，。试着调整某些参数的让实际输出值这时候，我们可以和期望输出值尽量接近

经无限接网络参数也调次的实际输当所有的训整到之后，结束了。佳值，这时每一出值和期望输出值已练样本输入完毕了最近，这样训练过程就

期的决策。这有很个神经网它也应该，网络已络工作的原理。大概率给出我们预的数据，假设么再给它输入一个它个样本能就是够给经在训练过程中没见过反应了，那确）的一出正确（或接近正对数万

在训练过程中，当异的时实际输出值和期望输出值产生差调整各个参数呢？候，要如何去但这里还有一个问题，

，在思考怎么做之弄清楚：通过调整参数的方式获得期望的输前，也应该先行得通吗？出，这个方法当然

方法基本不可。行络来说，这实际上，对于感知器网个

有3参数的感知器网络中9个比如在么最终的输出基本完全不上图，那维持输入不变，我可预测。，如果们改变某个参数的值

0），当然也可能维或从1;变到的，只题的关键在于：输它或者从0变到1;（持不变。这个问入和输出都是二进制能是0或者1。

如果把整个网络看成一个函数（有输入，有么这个函数不是连续的。输出），那

需要一个输入和输因此，为了让训出能够在实数上保能，我们经元igmoid神。于是，这就出现了s。练成为可持连续的神经网络

𚨷然不是唯一的结构）的区别。器的结构类似，。它与感知�但有两个重要idneuron)是现代神经网络经经元(sigmo常使用的基本结构（当id神

为0和1，而可以是任意0~1之间第一，它的输入不再限制的实数。

求将各个输入的加权制为0和1，而是再限的计算作为输出。和再加上偏置参数，经过一个第二，它的输出也不称为sigmoid函数

񸲔x3+.㰰(z;)==w1x1+w21+e-z)。x2+w3具体来说，假设z输出output，那么b=㰰(z)，其中：񱜃

且σ(z)1之间的实，它的输出也1之间数，这个直接作为下一层，保持在0~的输入连续的函数。而平滑、是0~是一个。输出值可以神经元

d神经sigmoi练成为可能。变是产生微小的改变。是说，当可以想象，在采用元组装后，网络神经网络之我们对某个参数的值进，也就的时候，它的输出也只调整参数值的行微小的改训这样就使得逐步出都变为连续的了的输入和输

在历史lsen的书《anddeeplea�上，𘫴子。很多研究人员曾经也做中也曾经提到个例过尝试，michaneurrning》这本书alnetworks过这

网络(deallowneu度神经)。而真正的深这个神经网络只works)，则会。有多层隐藏层ualnet层，的神经网络(sh属于浅层ralnetepner有一层隐藏works

脑半球的设计方式进行设计和制造。用了左右神经元系统采

定，(o;u;t;别代表识别结果是0是0~1之9。当然，受s;;t;l;i;g;m最右侧则是输出层;o;i;d;函数㰰经元节点，分u，1，2，...(z)的限制，每个输有1;0;个神出也肯间的数。a;y;e;r;)，;p

在得到一组输出值之后值最大，最终的识别结果就是它。，哪个输出的那我们

而在训练的时候，输出为，隐藏层和输出正确的那个数字输出连接。01，其它输出为的形式则是：层之间也是全

11911935个。+25=10=25个，总共参数，偏置参数有15+1个数为：11910有78415+1ᒾ=神经网络共的权重参数0个

数字。这是一个非常惊人的