10.3　感知器解密

如图10-4所示，从神经网络的神经元本身来看，每个神经元有许多输入，感知器（Perceptron）和之前实现的Sigmoid等函数的神经元不太一样，从最原始的神经元的角度，正常的神经元会接收一些输入，做一些神经脉冲，然后有一个输出结果，在神经细胞间进行传递，从一个神经元依次传递到下一个神经元。在大脑中可能有上百万个神经细胞，大脑就是一台超级计算机，神经细胞通过神经元连接起来。一个神经元有很多输入，经过某种关系产生一个输出，这跟写普通的计算机程序没什么区别。

大脑通过视觉、触觉、味觉等感知到某个东西，神经元要做出决定，这个决定具体是怎么做出的？假设三种感觉视觉、味觉、触觉分别是x₁、x₂、x₃，输入你的大脑，大脑就相当于一个很大的感知器，神经元根据输入做出相应的应激反应，应激反应就是输出结果。这里面有一个度的问题，跟感知系统最后感知到的综合结果有关，从不同的输入x₁、x₂、x₃，最终达到一种临界值，超过这个临界值，就会发生相应的应激反应；没超过这个临界值，系统就不会做出反应。神经系统最终根据临界值得到最后的结果。

在图10-5中，类似于人的神经感知系统，计算机的感知系统进行综合判断时的w₁、w₂、w₃是多少？假设人的神经感知系统中，把x₁、x₂、x₃分别理解为视觉、味觉、触觉，那这几种不同的感知用于神经元做决定的重要性是否一样？可能在不同的生活场景是不一样的，假设这里的应激反应中，x₃（触觉）占的重要性更大一些。从计算机的角度讲，对于不同的输入因素，将使用不同的权重来标记，这里假设味觉占的权重是0.1，视觉占的权重是0.5，触觉占的权重可能是0.9。

输出结果基于阈值（threshold），判断最终的结果如果小于等于阈值，就不做反应；判断最终的结果如果大于阈值，就做出应激反应。

这里的是指权重与x分别相乘然后进行累加（x₁×w₁ + x₂×w₂ + x₃×w₃），累加的结果总和如果超过了阈值，则结果为1；如果没有超过阈值，则结果为0。

如图10-6所示，我们可以将上面的内容拓展，左边的输入层节点中分别是x₁、x₂、x₃、x₄、x₅五个输入元素（也可以更多），元素本身乘以权重然后累加求和，得出一个结果，将结果与一个具体的阈值进行比较。这里先不要考虑Sigmoid函数等，我们带领大家从根源上一步一步研发，不跳过任何一个步骤。

也可以举另外一个例子，如图10-7所示，对于要不要看电影Ready Player One有几个决定性因素：x₁，交通是否方便；x₂，是否有人陪伴；x₃，是否下雨。假设交通是否方便的影响因素是0.2，是否有人陪伴的影响因素是0.2，是否下雨的影响因素是0.9，将x₁×0.2 + x₂×0.2 +x₃×0.9累加以后得到一个结果，这个结果如果达到一个值（这个值假设是5），如果超过了5，就去看电影；如果没有超过5，就不去看电影。

这个阈值将解密什么是偏爱因子，真正的偏爱因子是什么？很多学习深度学习的读者看到偏爱因子，就认为不过是调一个参数，这个理解没错，但对于调优没有任何意义。

偏爱因子是决定性的因素之一，从理解的角度，就是用户的偏好或者喜好。偏爱因子不是随随便便调成0.1或者调成0.5那么简单。

假设

有一个阈值，这个阈值用来判断要不要看电影，将输入值和权重相乘累加达到一个值，然后将值和阈值（即一个门槛）进行比较得出一个结果，要么是0，要么是1；要么去看电影，要么不去。

将

阈值往不等式左边移动一下，即将阈值从不等式右边移动到左边。阈值移动到左边以后不用阈值的名称了，而改为b，这时符号和原来的相反了，原来是减号，现在变成了加号。将因素和权重相乘累加，例如x₁×w₁ + x₂×w₂ + x₃×w₃ + … + x_n×w_n + b，计算式最后加了一个b，这个b就是偏爱因子。

在看电影的例子中，偏爱因子是决定是否看电影的一个标准，满足什么条件，对条件进行衡量之后，达到预期就去看电影，达不到预期就不看电影。