算法动画 · 神经网络
感知机学习动画
展示感知机学习规则如何通过迭代调整权重，找到线性可分数据的分类超平面。
Perceptron Learning Rule
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
未激活·当前高亮（7 个元素）
1
感知机是最早的人工神经元模型：输入特征加权求和，通过符号函数输出 +1 或 -1。
第 1 步 / 共 617%
🧠AI 冷知识
你知道吗？
这些有趣的 AI 小知识可能让你大吃一惊
📜
第一台学习机器的硬件1958年Frank Rosenblatt发明的感知机不仅有算法，还有一台真正的物理机器——Mark I Perceptron，由400个光电管和512个电位器组成，重达5吨。纽约时报当时报道称这台机器未来将能"行走、说话、看见、书写、自我复制并具有自我意识"。Rosenblatt证明了感知机收敛定理：如果数据线性可分，感知机必然在有限步内收敛。但1969年Minsky的著作证明感知机无法解决异或(XOR)问题，直接引发了第一次AI寒冬——讽刺的是，多层感知机其实可以解决XOR，只是当时缺乏有效的训练算法。
来源：Rosenblatt, "The Perceptron: A Probabilistic Model", Psychological Review 1958
一句话总结
💡
感知机是线性二分类器，通过误分类驱动权重更新，是神经网络与 SVM 的理论基础。
常见误区
这些坑别踩
✗
误区 1
感知机能解决异或（XOR）问题。
✓
正确理解
单层感知机是线性的无法解决 XOR，这是其局限，需多层网络。
✗
误区 2
感知机一定能收敛。
✓
正确理解
仅在线性可分时保证收敛，不可分时振荡不收敛。
✗
误区 3
感知机和逻辑回归完全一样。
✓
正确理解
感知机用符号函数更新不输出概率，逻辑回归用 sigmoid 输出概率且优化似然。