的感知器来说，对于一个给定值也是给定的，代可以通它的权重和阈表一种决策策略。过调整权重和阈值来改变这个策因此，我们略。
为了表达更方用它的相反数来表达hold，这：b=-thres关于阈值threshold，这里要指出的一点是，的b被称为偏置（b便，一般里需;ias）。
x3+...+b&g改为：如果w1x1输出的规则就输出o面计算修utput=1，否则t0，则输出o+w2xutput=0。这样，前2+w3
-2，则b=3。而权重w1=w2=
时候，out显，只有当x1=于0。而输入的情况下，put=其它。，因为(−1ᬐ=−1，小0put=11;+;(−2;)都是outᎱ很明x2=1的
！下，这其实是一所以在实际情况个“与非门”
部件中比其它合的在计算机科学中a它可以通过组部件。这被称为与非门的门，与非门是所有门较特殊的一个，的普适性(gateunivelity)。方式表达任何
当的权重和偏置参数，既然感知器，那来表达一个与非门能够通过设置恰任意其它的门部件。么理论上它也就能表达
计算机系统此连接从而组成一够像前面三体中的个因此，感知器也能例子一样，通过彼。
不过是让杂化了而已。现成的计算机了，这只，我们已经有事情复但这似乎没有什么值得惊喜的
策，所以则是限。要做复杂很有的决需将多个感知器连接起来。单个感知器能做的事情要
有上万个，甚至数果手工一个一个地实际中的网而，恐怕这项任务永远也完成不了了。去配置这些参数络可能会十万个参数，如
色的地方就在于这里。而神经网络最有特
定所有参数，而是提供络自己在训练中去学训练数据，让网习，在学习过程中我们不是为网络指为所有参数找到最恰当的值。
gexam，我们期望的输ple）。值的时候入是某个大体的运转思诉网络当路是这样：我们告每一份训输出是什么，这样的练数据，称为训练样本（trainin
个具体例子：候，举老师在教学生某个抽这个过程相象的一的时知识当于
在神经网络的，就越能表中同样成立。说，我们举的例子越多一般来训练达那个抽象的知识。这
然后网这些样本中总结出那的我们可以向网络灌入知识。抽象络就自动从的份隐藏在背后成千上万个训练样本，
这份知识网络的取值。置参数的所有权重和偏的体现，就在于
际输出数有一个，当，它会根据当前参数值计算我们输入个实出唯一的一一个训练样本的时候值。假设各个参初始值
，这时候，我们可跟我们期望的输出值不以试着这个值可能。值和期望输出值尽一样。想量接近象一下实际输出调整某些参数的值，让
次的实际输出值也调整到了最当所有的后，已经无限接近，训练样本输。网络参数输出值和期望入完毕之佳值，这时每一这样训练过程就结束了
数据，它也应该有很大概率给出能够给出正确（或接这就是一个神经网络已经对数万个样本工作的中，网络应了，那理。假设在训练过程近正确）的反输入一个我们预期的决策。么再给它它没见过的原
输出值产生差异的？去调整各个参数呢但这里还有一个问题，际输出值和期望在训练过程中，当实如何时候，要
方式出，这个方法行得然，当通吗？该先弄清楚：通过调也应在思考怎么做之前，整参数的输获得期望的
络来说，这个方对于感本不可行。实际上，网法基知器
最终的输出基本完全不如果维持输某个参数比如在上图有39个参数的感我们改变知器网络中，入不变，。可预测的值，那么
到0），当是0或者个问题的关键在制的，只能它或者从0变于：输1;（或从1;变然也可到入和输出都是二进能维持不变。这1。
如果把整个网络看成一个函数（有输入这个函数不是连续的。，有输出），那么
。神经网和输出能够在实因此，为了让训练数上保持连续的现了s络。于成为可能是，这就出，我们需要igmoid神经元一个输入
sigmoidn（当然不是sigmoid神经元使用的基本结构结构类似神经网络经常，但有两�唯一的结构）。它与感个重要的区别。(知器的on)是现代
以是任意0~1之间第一，它的输入不再限和1，而可制为0的实数。
出。和第二，它的输出也不再限制为0一个称为si为输各个输入的加权求和再偏置参数，经过oid函数的计算作加上1，而是将
w3x3+.t=㰰(z)，其中：那么输出o来说，假设z=w..+b，e-z)。具体㰰(zutpu;)=1/(1+1x1+w2x2+
的函数。而且，它的输平滑、连续σ(z)是一个0下一层神经元的输入，~1之间的实数1之间接作为，这个输出值可以直。出也是保持在0~
训练成为可能。续网络之后的了，也就是说，当想象可id神经元组参数的我们对某个，在采出也用si只是产生微小的的时候，它的输出都变为连值进行微小的改变得逐步调整参数值的，网络的输入和输装神经g改变。这样就使以
研究人》这本书nddee中也曾n在历史上，很多euralplearningichaelnnetworksa经也做过尝试，m书《经提到过这个例子。员曾ielsen的
经络(deepneruw网则会有多神经网络(s这个神经网络只有一层orks)。而真正隐藏层，属于浅层的s)，alnet层隐藏层。a的深度神lnetworkhallowneur
造。设计和制神经元系统采用了左右脑半球的设计方式进行
元节，9。当然，受sㅩ出层(o;u0;个点，分别;r;)，有1;数。代表识别结果则是输，每个输出也肯定是0;t;p;�最右侧e⽿z)的限制d;函数㰰(u;t;l;a;是0，1，2，...神经之间的g;m;o;i;
在得到一组输。值最大，值之后，哪个输出的出那我们最终的识别结果就是它
，隐藏的形式则是：正确的那层和输出接。而在训练的时候，输出个数字输出之间也是全连层为1，其它输出为0
10个，偏置参数有权重参数有78ፙ为：11910+2+10=25个神经网络共的5=119，总共参数个数415+1ᒾ=11935个。
人这是一个非常惊的数字。