---

感知机

感知机≈二分类问题

感知机和其他问题的对比

训练感知机

如果小于等于零，说明预测错啦 ，其实就是同号为正，异号为负

举个分类的例子

增加样本，改变分类线

继续分类

感知机的收敛定理

XOR问题

XOR问题其实就是第1、3象限数值为-1， 第2、4象限数值为1 （即同一类），但是感知机不能拟合XOR问题，总有一个数据会分类错误。 【但是下面所描述的多层感知机可以解决这个问题】

感知机的小结

---

多层感知机

多层感知机学习XOR

单隐藏层

超参数是指在训练模型之前人工设定的配置选项或参数。 这些超参数决定了模型的结构、训练过程的行为以及优化算法的行为，而不是模型的内部权重值。 超参数的选择和调整对于训练一个有效的机器学习模型至关重要，因为不同的超参数设置可能导致不同的模型性能。

隐藏层的意义就是把输入数据的特征，抽象到另一个维度空间，来展现其更抽象化的特征。

单隐藏层-单分类

隐藏层一定要是非线性激活函数！！

如果隐藏式线性激活函数，那么该网络输出依然是线性的，等价于单层的感知机！！

Sigmoid激活函数

Tanh激活函数

多类分类

多隐藏层

感知机总结

---

多层感知机的从零开始实现 代码

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

隐藏层、激活函数

训练过程

---