感知机（perceptron）
感知机接收多个输入信号，输出一个信号。
image.png
其中一个重要的组成叫做神经元，这正是受生物学中神经元的原理启发而来。一个神经元通常具有多个树突，主要用来接受传入信息；而轴突只有一条，轴突尾端有许多轴突末梢可以给其他多个神经元传递信息。轴突末梢跟其他神经元的树突产生连接，从而传递信号。这个连接的位置在生物学上叫做“突触”。
673793-20151229121248198-818698949.jpg
所以其实这样表示可以更好的理解神经元
微信图片_20190730102043.jpg
图中的神经元只是表示一个黑盒，如果我们展开来看它应该是这样的结构
微信图片_20190730102518.jpg
中间的部分由若干个隐藏单元组成
作者用逻辑电路为例来解释感知机的作用，我感觉理解起来还是有些吃力，毕竟用一个抽象的概念来解释另一个抽象概念，确实有些费脑。我认为作者的用意一是逻辑电路和神经网络的结构相似，二是组合门的效果可以产生单一门无法实现的效果：因为一个门只能处理线性空间，对于非线性空间就需要许多门组合使用。对此，我想分享一个具体的例子。比如我们想要知道一个房子的值多少钱，我们有一些关于房子的数据，比如房屋面积，几室，邮编，与地铁的距离，那么我们如何通过这些数据分析房子的价格呢，请看下图
微信图片_20190730125141.jpg
通过面积和几室来判断可容纳人数，通过邮编可以判断是否是学区，孩子是否有独立房间，判断是否有利孩子成长，通过邮编和附近的交通状况就可以判断步行化的，由此就可以推断房屋的价格，当然这只是个例子，房屋价格影响因素有很多，所以在具体应用深度学习的时候也会有很多隐藏单元来处理。图中的圆圈代表激活函数，通过激活函数的激活可以计算出的结果变为信息方便传递或者是输出。
那么一个神经元是如何计算的呢，其实就是就是书中提到的逻辑回归的方式
y=wx+b
x是输入值，y是输出值，w为权重，b为偏移量
如果是多个神经元连续传递，则变为
z1 = w1x +b1
a1 = sigmoid(z1)
z2 = w2a1 +b2
.....
sigmiod是激活函数的一种，通过这样的方式就可以得到最后的预测值
