1.5　感知器

感知器是一种简单的算法，其输入向量（通常称为输入特征，简称为特征）为 x （ x 1 , x 2 , …, x m ，共 m 个值），输出为1（“是”）或0（“否”）。数学上，我们据此定义一个函数：

其中 w 是权重向量， wx 是点积 ， b 是偏置。 wx + b 实际上定义了一个边界超平面，由 w 和 b 的值改变位置。

注意，超平面是一个子空间，其维数比它周围空间的维数少1。示例如图1-3所示。

该算法简洁且行之有效。例如，给定三个输入特征，如红色、绿色和蓝色的数值，感知器可以尝试确定该颜色是否为白色。

需要注意的是，感知器无法表示“也许”结论。假设我们已经掌握了如何确定感知器的 w 和 b ，那么它只能回答“是”（1）或“否”（0）。这就是所谓的“训练”过程，将在以下各节中讨论。

TensorFlow 2.0代码的第一个例子

在tf.keras中创建模型的方式有3种：序列（Sequential）API、功能（Functional）API和模型（Model）子类。在本章中，我们将使用最简单的Sequential()，在第2章中再讨论另外两个。Sequential()模型是神经网络层的线性管道（栈）。以下代码定义了一个含有10个人工神经元的单层模型，期望输入变量（特征）个数为784。请留意，该网络是稠密的（dense），意味着每层中的每个神经元都连接到上一层的所有神经元，以及下一层的所有神经元：

通过参数kernel_initializer，每个神经元都能用特定的权重值初始化。有多种参数值可供选择，常见如下：

• random_uniform：权重初始化值在-0.05～0.05的小范围内均匀随机分布。
• random_normal：权重初始化值服从均值为零、标准差为0.05的高斯分布。若对高斯分布不太熟悉，可以将其想象成一个对称的“钟形曲线”形状。
• zero：所有权重初始化为0。

完整的参数列表可访问线上文档：https://www.tensorflow.org/api_docs/python/tf/keras/initializers。 5FpIvK/T1GxVJIEwLVO+qNLru7ibkrAXpOMWu2YsVzSB3TaFpOunngs7QaWAE5bq