感知器是由美國計算機科學家羅森布拉特（F.Roseblatt）於1957年提出的。感知器可謂是最早的人工神經網絡。單層感知器是一個具有一層神經元、采用閾值激活函數的前向網絡。通過對網絡權值的訓練，可以使感知器對一組輸人矢量的響應達到元素為0或1的目標輸出，從而實現對輸人矢量分類的目的。
下圖是一個感知器：
可以看到，一個感知器有如下組成部分：
01 輸入權值：
其中，每一個輸入分量Xj(j＝1，2…，r)通過一個權值分量wj，進行加權求和，並作為閾值函數的輸人。偏差 b 的加入(對應上圖中的 w0 ,這樣是便於書寫和理解)使得網絡多了一個可調參數，為使網絡輸出達到期望的目標矢量提供了方便。感知器特別適合解決簡單的模式分類問題。
02 激活函數：
激活函數則有較多的選擇，較為常見的有sigmoid函數和階躍函數，這里以階躍函數為例！
03 輸出：
感知器的輸出則由如下公式計算得出：
感知器有個屌用呢？F.Roseblatt 已經證明，如果兩類模式是線性可分的（指存在一個超平面將它們分開），則算法一定收斂。
舉個例子：很多的呀，比如最簡單的的布爾運算。可以看作是二分類問題，即給定一個輸入，輸出0（屬於分類0）或1（屬於分類1）。它還可以擬合任何的線性函數，任何線性分類或線性回歸問題都可以用感知器來解決。給你講講感知器的訓練過程吧！
利用下面的感知器規則迭代的修改參數直到訓練完成。
其中，
Wi是與輸入Xi應的權重項，b 偏置項。事實上，可以把 b 看作是值永遠為 1 的輸入Xb對應的權重。t 是訓練樣本的實際值，一般稱之為 label。而 y 感知器的輸出值，它是根據公式計算得出。η 一個稱為學習速率的常數，其作用是控制每一步調整權的幅度。
每次從訓練數據中取出一個樣本的輸入向量 x ，使用感知器計算其輸出 y，再根據上面的規則來調整權重。每處理一個樣本就調整一次權重。經過多輪迭代后（即全部的訓練數據被反復處理多輪），就可以訓練出感知器的權重，使之實現目標函數。
下邊是根據感知器算法編寫出的python代碼實現：（實踐時是利用一個鳶尾花數據集archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data）
class Perceptron():
"""
eta: learning rate(0.0-1.0)
n_iter:passes over the traing dataset
w_:weights after fitting
errors_:number of misclassifications in every epoch
"""
def __init__(self,eta=1,n_iter=10):
self.eta = eta
self.n_iter = n_iter
def fit(self,X,y):
"""fit training data."""
self.w_ = np.zeros(1 + X.shape[1])
self.errors_ = []
for _ in range(self.n_iter):
errors = 0
for xi,target in zip(X,y):
update = self.eta * (target - self.predict(xi))
self.w_[1:] += update * xi
self.w_[0] += update
errors += int(update != 0.0)
self.errors_.append(errors)
return self
def net_input(self,X):
"""caculate net input"""
return np.dot(X,self.w_[1:]) + self.w_[0]
#a.dot(b) np.dot(a,b) sum(i*j for i,j in zip(a,b))
def predict(self,X):
"""return class label after unit step"""
return np.where(self.net_input(X) >= 0.0, 1, -1)
搭配上必要的繪圖模塊，可以實現對鳶尾花種類的識別，這里只是對感知器進行介紹，就不過多敘述其他模塊了
摘自：https://mp.weixin.qq.com/s/o1OJRPRWCbTwk7dhZgjeHg