一分耕耘一分收获

1 层神经元到 2 层神经元，其实非常类似输入层数据到 1 层神经元。在神经网络中，输出层的激活函数，要根据求解问题的性质决定。一般的回归问题可以使用恒等函数，二元分类问题可以使用 sigmoid 函数，多元分类问题可以使用 softmax 函数。下面我们看一下简单的 3 层神经网络，它由输入层、1层神经元、2层神经元、输出层神经元组成。2 层神经元到 输出层神经元，区别在于它的激活函数不一样。y 曲线不是平稳上升的，在很大的区间范围内，它都接近于 0 ，只是在数据区间的末端，才迅猛上升，无限接近于 1。

z=w⋅x+b 其中，𝑤w 是权重向量，𝑥x 是输入向量，𝑏b 是偏置，𝑧z 是线性变换的结果。： 在一些特殊的应用场合，如推荐系统和自然语言处理中的词向量（word embedding）表示中，内积常用来计算向量之间的相似度或相异度。

在下面的文章中提到了激活函数，事实上激活函数有很多种，本文介绍两种最常见的。另外文章中可能会用到一些 numpy、Matplotlib 模块的知识，同学们如果没有了解可以看看下面的文章。

不过在感知机中设定权重的工作是由人工来做的，而设定合适的，符合预期的输入与输出的权重，是一项非常繁重的工作。从下图可以看到，最左边的即输入层， 0 层；其中只有输入层、中间层具有权重，可以称之为 2 层网络，也可以按照网络的级数称之为 3 层网络。请注意，此处激活函数以阈值为界，一旦输入超过阈值，就切换输出，这样的函数称之为“阶跃函数”。感知机是选择了阶跃函数，如果感知机选择了其他函数作为激活函数，那么就进入了神经网络的世界了！有了激活函数的引入，原来的感知机图，就可以转换为神经元图。

单层感知机只能表示线性空间，多层感知机就可以表示非线性空间。多层感知机在理论上可以表示计算机。

感知机1957年由Rosenblatt提出，是神经网络与支持向量机的基础。它是最简单最基础的机器学习算法，可以用于处理最简单的二分类任务，并且模型和学习算法都十分简单。感知机是具有输入和输出的算法。给定一个或者输入之后，将输出一个既定的值。感知机接收多个输入信号，输出一个信号。输入信号可以用 0 或者 1 表示，0 表示 “不传递信号”，1 表示 “传递信号”。从多个输入信号到一个输出信号，即感知机算法。最简单的感知机算法可以理解为 1 个输入信号 x，输出 y；算法即 y = x。

Matplotlib 可能是 Python 2D-绘图领域使用最广泛的套件。它能让使用者很轻松地将数据图形化，并且提供多样化的输出格式。在Python中安装Matplotlib库通常使用pip工具。以下是安装Matplotlib的步骤：打开终端（在Windows上是命令提示符或PowerShell，在MacOS或Linux上是终端）。如果你使用的是 Python3，可能需要使用pip3而不是pip如果你在使用Jupyter Notebook，你可能想要使用%pip或!pip!