知识卡片
单层感知器的学习算法
单层感知器由输入层(感知层,只转发)与输出层(处理层)构成,只有输出层神经元做计算,激活函数一般取符号或阶跃函数,因此可当分类器:输入属第 c 类时令第 c 个输出为 1、其余为 0(或 -1)。学习算法是:①把权值与偏置初始化为小随机数;②对每个样本算输出 y_k,求误差 e_k=d_k-y_k,再按 ω_ki(t+1)=ω_ki(t)+α x_i e_k 调权,α(0<α)为学习率,控制步长;③遍历所有样本重复②,直至所有误差为零或小于给定阈值。它遵循“分错才改”的规则,不做梯度计算;线性可分时有限步收敛,否则可能震荡。
结构图:
flowchart TD
A["权值初始化为小随机数"] --> B["计算输出 y=f(Σωx)"]
B --> C["误差 e=d-y"]
C --> D["更新 ω←ω+αxe"]
D --> E{"误差全为零"}
E -- "否" --> B
E -- "是" --> F["训练结束"]
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第6章 神经网络与深度学习 · 查看原书依据
已有学者证明,如果输入样本是线性可分的,则感知器学习算法在有限次迭代后一定可以收敛到正确的连接权值和偏置。
参考来源
- 位置:《大数据挖掘与统计机器学习》第6章 神经网络与深度学习(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter8_0001.xhtml,6.1.4 感知器)
- 结论依据:原文给出单层感知器的结构、分类规则与三步学习算法,并说明线性可分时的收敛保证。
- 原始内容:已有学者证明,如果输入样本是线性可分的,则感知器学习算法在有限次迭代后一定可以收敛到正确的连接权值和偏置。