一、人工神经元模型与感知机
SRE实战 互联网时代守护先锋，助力企业售后服务体系运筹帷幄！一键直达领取阿里云限量特价优惠。
AI最核心------->深度学习------->与神经网络联系紧密
传统人工神经网络是深度学习的基础
Hadoop分布式文件系统的架构
Namenode存储着文件系统的索引和元数据
Datanode存储着具体的数据文件【数量可多达几千台】
大数据计算模型（ Spark，Storm等）
最简单的人工神经网络----------> 一个神经元构成
组成要素
人工神经元基本结构
M-P模型 -----神经网络的基础
相关解释：
p是输入
w是p到神经元的权值（连接的强度）
b是神经元的偏置（偏置的权重）
1是神经元的固定偏置输入【模拟生物神经元的内在化学性质】
s是累加器【也叫输入函数，一般对p和偏置进行加权求和】
s输出是wp+b*1,s的输出通常成为净输入net
偏置1和b不是必须的
f是传输函数 a =f(net)，也就模拟了生物神经元的轴突信号
w,b可以调整，f和s可以选择
传输函数类型 -----> 直接决定了神经元的输出值
感知机 ---------》 处理简单的线性分类问题
识别水果
1. 确定感知机的输入
| p |
shape |
color |
| apple |
1 |
1 |
| banana |
-1 |
-1 |
2. 确定传输函数
过程：输入1，1 -------》 apple 输入-1，-1 -----》 banana
记忆逻辑与 ---------> 基于上述判断边界和权值向量的关系
学习算法
让感知机自己学习到合理的权重和配置
感知机的学习规则：
e表示误差 e = 期望输出 - 实际输出； e = t - a
同的算法进行处理，
直到没有误差，或 误差在可接受范围内
更多精彩
