结构

感知机（perceptron）是神经网络的基础结构。下图是一个感知机的例子：

图示感知机（从下到上）的结构解释如下：

• 两个接受由外部输入的输入值的输入节点（黄色）：$x_1$ 和 $x_2$（这是为了帮助感知机感知外部的环境，比如预测某人的癌症患病率时，感知机需要首先知道这个人的年龄、性别等信息）

• 一个由内部模型决定的阈值的输入节点（黄色）：$x_0$（这是为了使得感知机更加的灵活，而不仅仅依赖于外部输入值来确定输出值）

• 三个输入节点到中间节点的连接权重（实线箭头）：$w_0$~$w_2$（这就是感知机将要学习的东西：不同的环境因子对预测结果的影响力分别有多大）

• 一个由输入节点和连接权重，通过加权求和计算得到的中间值（深黄色）：$o$（这是先算出输入层带来的基础结果，为计算出最终的输出值做准备）。

  计算方法是：

  1. 将每个输入值 $x_1$~$x_2$ ，乘以对应的权重 $w_1$~$w_2$（对应公式中的 ${\sum }_{i=1}^2{w}_i{x}_i$）
  2. 再加上阈值 $x_0$ 乘以阈值节点对应的权重 $w_0$（对应公式中的 $w_0$。因为 $x_0$ 固定为 $1$，所以 $x_0\cdot w_0=1\cdot w_0=w_0$）

• 一个用来对中间值做特殊变换，从而得到最终输出结果的激活函数（虚线箭头）：$f$（这一步可以用各种各样的函数，对初步计算得到的中间值做各种各样的变换，从而使得感知机更加灵活的输出，实现不同的效果、解决不同的问题。当然，也可以不做任何变换，保留原始值）

而在大多数情况下，感知机的结构往往被表示为这样：

作用

神经网络（分为无监督学习和监督学习）主要解决两大问题：

1. 回归问题：处理连续值。比如预测某只股票明日的价格，有无限种可能，因为价格可以是0到无穷大的任意一个。
2. 分类问题：处理离散值。比如预测一张图片中的动物是猫还是狗，只有两种可能，例如输出为0表示图片中是猫，输出为1表示图片中是狗。

回归问题中，激活函数可以是不做任何处理，保留原始值的函数：$y=f(o)=o$

分类问题中，激活函数可以是阶跃函数：$f(o)=1(o)=\{\begin{array}{l}1,o>0\\ 0,o<=0\end{array}$

当然，对于这两类问题，也有非常多其他的激活函数，比如Sigmoid，ReLu，Tanh等等