因此,神经网络的构想,就是在机器学习的程序中引入类似的结构。毕竟,人类大脑已经充分证明了神经系统能够有效地学习。
感知器(神经网络1.0)
神经网络的研究起源于20世纪40年代美国研究人员沃伦·麦卡洛克(Warren McCulloch)和沃尔特·皮茨(Walter Pitts),他们意识到神经元可以用电路建模,更具体地说,是用简单的逻辑电路,他们用这个想法建立了一个简单但非常通用的数学模型。到了50年代,弗兰克·罗森布拉特(Frank Rosenblatt)对这个模型进行了改进,创造出了感知器模型。感知器模型意义重大,因为它是第一个实际出现的神经网络模型,时至今日,它仍然有存在的意义。
图14展示了罗森布拉特的感知器模型,中间的方块代表神经元本身,左边指向方块的箭头代表神经元的输入(对应神经元的突触连接),右边的箭头代表神经元的输出(对应轴突)。在感知器模型中,每一个输入都跟一个被称为权重的数字关联,在图14中,与输入1相关的权重为w1,与输入2相关的权重为w2,与输入3相关的权重为w3。神经元的每一个输入都呈激活和未激活两种状态,如果一个输入被激活,它就会通过相应的权重“刺激”神经元。最后,每一个神经元都有一个触发阈值,由另一个数字表示(在图14中,触发阈值用T表示)。感知器的运作模式是神经元受到的刺激超过了触发阈值T,那么它就会“启动”,这就意味着它的输出被触发。换句话说,我们把激活的输入的权重加在一起,如果总权重超过阈值T,则神经元产生一个输出。