标签：
直到50年代，perceptron算法被Frank Rosenblatt搞了出来。perceptron的想法和pitts的路子就不大一样，perceptron关注MC神经元(MCN)本身的，而不是神经元在大脑中存在的复杂拓扑，所以其中除了MCN以外，没有其他的生物学含义。 按照Pitts的证明，一个开环的正向网络是可以满足所有的计算需求的。Rosenblatt沿着这条思路挖下去，发明了一套直接使用神经元数学特性的方法---perceptron。
第一步得复习一下MCN，pitts画MCN的时候系统框图还不流行，所以后来大家通常把MCN画成右边的样子，内在的数学表达式一致的。左边是加法，图片右边是个hardlim函数。按下图连接两个输入到一个MCN就得到一个perceptron(单细胞感知机)。是不是感觉被骗了，这是什么鬼，啥都没弄嘛。下面就来细说下。
这里面一共是四个变量p1,p2,w1,w2,b是常数threhold。画出来特性就是右边的样子。明白了吧，其实这个单元提供了一种能力，在w1,w2确定的时候，可以把输出为1的输入组合分离出来。这玩意用模拟电路制造起来十分简单，所以可以拿来“鉴定”p1,p2的组合是否符合w1,w2约束的要求(是不是落在灰色的部分)。要改变要求怎么办？拿2个可调电阻改变一下w1,w2就可以了。所以这玩意不只是放在数字计算机上写代码来用，也可以直接做模拟计算机。其中的箭头方向是w1,w2组成的向量，这个向量可以调节内容进行旋转。分割线的刚好是这个向量的正交线，按threshold偏移。如果这个时候把b搞成变量，很自然的就可以在平面上各种平移。顿时在[p1,p2]和b的共同作用下这跟线就可以随便跑了。有兴趣的可以自己动手焊一个，都不用coding哈哈。
下面开始往里面多拉点输入进去改变输入的数量为R，向量规则依然管用，只是在改变图的维度。这么说比较抽象，做个相反的例子，降低维度，看看右边R=2的时候分割线是条线（看上一段的配图），R=1的时候分割就变成了点，同理可推，三维的时候是个面。四维的时候不知是什么鬼，但这个分类(具体的输入对应在分割的哪边，输出是0还是1)的功能依然被保留下来。从这个例子可以学到向量是个好东西，它能帮你把问题拉到你认识的维度来思考，对我这种粗糙的人来说，这就是个降维工具。所以后面我们所有的讨论和全部都在2维的角度来考虑你要升维降维的事情就不反复了。好了。这貌似和网络没啥关系啊，不着急，他们下面就进一步往下堆这种结构。
先看竖着堆堆看吧，一堆就发现，直接效果是可以标记出来分割出来的区域变多了，检查最后的输出结果a1,a2就可以知道满足两个节点的情况。
下面就开始拿它做点更复杂的事情。拿它做加法？简单啊，w1,w2,b=[1,1,0]搞定。沿着这条路推啊推，发现大多数计算都能搞定，唯独搞不定xor计算。倒回去看看Pitts的文章，马上哦一下。原来多几层堆下去就能搞定。这就是早年的perceptron，这玩意当时不只是个算法，而是一套模拟计算机框架。这种基本的mcp结构很容易用模拟电子做出来。如果把MPN简化成个圈，既可以看到类似下面的结构。
有了perceptron 这么个宝贝，Rosenblatt顿时就无敌了，拿一台IBM 704模拟成功以后。找美国海军要了一堆钱造了一台出来，名字叫做Mark I。(原计划Mark I是拿来做图像识别用的)。后来这玩意就不造了，原因很简单尽管逻辑上整体是靠谱的，但是单个感知机需要调整三个参数才能用Mark I又造得这么复杂，试问谁去调这些参数，具体又怎么调，调参就成了coding的问题。问题是这玩意还不是数字结构的，逻辑的路子，全都可以按照if else 的基本模式来步步进行。这玩意整个coding过程都必须算成人看不懂的参数出来。所以有了Mark I当时就开始,做自动调参事情，所以到此为止，你别以为perceptron 就是人工智能，这还差最最核心的一步---让机器自己coding。尽管这算是一个整体失败的机会作为对前人敬仰，我们还是上图瞻仰一下。
所以需要清醒的认识一点，perceptron本质上是一套计算架构，这套架构才节点足够多的情况下可以实现所有的计算功能(数字计算机也可以)。是不是感觉白看了这么半天:)之后几十年的时间我们面临的问题事实上perceptron的自coding问题。只有具备了coding自身的能力在perceptron的网络框架下才能说具备初步的智能。同时和Pitts追求模型这里面有几点显著的不同。
1。perceptron 关注分割模型，Pitts关注算术本身的完备性，出发点不同。
2. perceptron关注开环计算，数据是单向的开环的，Pitts的思路是不仅仅限于单向的，环装通路的考量也在其中。
3. perceptron没有引入更多的生物特征， Pitts希望以生物样本为蓝图来构建大脑的仿生行为。
从下往上看--新皮层资料的读后感 第四部分 第一代NN模型perceptron 感知机
标签：
原文地址：http://www.cnblogs.com/nasiry/p/5774933.html
