1.1　感知机

感知机是一个简单的算法，给定 n 维向量 x （ x ₁ , x ₂ , …, x _n ）作为输入，通常称作输入特征或者简单特征，输出为1（是）或0（否）。数学上，我们定义以下函数：

这里， w 是权重向量， wx 是点积（译者注：也称内积、数量积或标量积） ， b 是偏差。如果你还记得基础的几何知识，就应该知道 wx + b 定义了一个边界超平面，我们可以通过设置 w 和 b 的值来改变它的位置。如果 x 位于直线之上，则结果为正，否则为负。非常简单的算法！感知机不能表示非确定性答案。如果我们知道如何定义 w 和 b ，就能回答是（1）或否（0）。接下来我们将讨论这个训练过程。

第一个Keras代码示例

Keras的原始构造模块是模型，最简单的模型称为序贯模型，Keras的序贯模型是神经网络层的线性管道（堆栈）。以下代码段定义了一个包含12个人工神经元的单层网络，它预计有8个输入变量（也称为特征）：

from keras.models import Sequentialmodel = Sequential()model.add(Dense(12, input_dim=8, kernel_initializer='random_uniform'))

每个神经元可以用特定的权重进行初始化。Keras提供了几个选择，其中最常用的选择如下所示。

• random_uniform：初始化权重为（ – 0.05，0.05）之间的均匀随机的微小数值。换句话说，给定区间里的任何值都可能作为权重。
• random_normal：根据高斯分布初始化权重，平均值为0，标准差为0.05。如果你不熟悉高斯分布，可以回想一下对称钟形曲线。
• zero：所有权重初始化为0。

完整选项列表请参考Keras官网。 wnx+i6Th+FaVc0roVKYICzmTvVSddW8r6MyIcxNYeHvKxnQ1ruS6Z/0cHQ/caAdi