AI 术语表 · 基础 · 语言模型
感知机
感知机是最简单的人工神经元模型：把多个输入分别乘以权重后相加，如果总和超过阈值就输出 1，否则输出 0。它是人工神经网络起步时的基本单元。
通俗解释 这类似于听取几位朋友的意见，“可信的朋友的话多算一些，不太可信的少算一些”来打分，分数超过一定水平就决定“去”，否则决定“不去”。
工作原理
把每个输入值乘以权重并全部相加，再加上一个称为偏置（bias）的阈值调整值。如果总和大于 0 就输出 1，否则输出 0。训练时，每遇到一个判断错误的例子，就把权重朝正确答案的方向稍作修正。通过这种方式，它能自己找到把数据分成两类的分界线。
为什么重要
感知机以非常简单的形式展示了“机器看例子、通过修正权重来学习”这一思想。如今神经网络中的单个神经元，其基本框架也与感知机相同（加权和 → 激活函数）。因此，它是初学神经网络时最先接触的概念。
须知
单个感知机只能解决可以用一条直线分开的问题。典型的例子是它无法解决“两者中只有一个为真时才为真”的 XOR 问题。这一局限后来通过把感知机堆叠成多层的多层感知机（MLP），以及用来训练它的反向传播得以克服。现在通常不再用 0/1 一刀切，而是使用平滑的激活函数。
示例
如果要非常简单地做一个垃圾邮件判别器，可以设想这样一个感知机：以“是否包含特定词语”“链接数量”“发件人是否在通讯录中”为输入，加权和超过阈值就判为垃圾邮件。实际服务使用的是复杂得多的神经网络，但其中的每个神经元都是这样计算的。