1、原理
感知器是一种前馈人工神经网络，是人工神经网络中的一种典型结构。感知器具有分层结构，信息从输入层进入网络，逐层向前传递至输出层。根据感知器神经元变换函数、隐层数以及权值调整规则的不同，可以形成具有各种功能特点的人工神经网络。本节将介绍单层感知器和多层感知器的工作原理。
2、单层感知器
1958年，美国心理学家Frank Rosenblatt提出一种具有单层计算单元的神经网络，称为Perceptron,即感知器。感知器是模拟人的视觉接受环境信息，并由神经冲动进行信息传递的层次型神经网络。感知器研究中首次提出了自组织、自学习的思想，而且对所能解决的问题存在着收敛算法，并能从数学上严格证明，因而对神经网络研究起了重要推动作用。单层感知器的结构与功能都非常简单，以至于在解决实际问题时很少采用，但由于它在神经网络研究中具有重要意义，是研究其它网络的基础，而且较易学习和理解，适合于作为学习神经网络的起点。
3、感知器模型
单层感知器是指只有一层处理单元的感知器，如果包括输入层在内，应为两层，如下图所示。图中输入层也称为感知层，有n个神经元节点，这些节点只负责引入外部信息，自身无信息处理能力，每个节点接收一个输入信号，n个输入信号构成输入列向量X。输出层也称为处理层，有m个神经元节点，每个节点均具有信息处理能力，m个节点向外部输出处理信息，构成输出列向量0。两层之间的连接权值用权值列向量Wj表示，m个权向量构成单层感知器的权值矩阵W。3个列向量分别表示为:
感知器是二类分类的线性分类模型，将实例划分为正负两类的分离超平面（separating hyperplane），属于判别模型。
感知器基于线性阈值单元（Linear Threshold Unit, LTU）构件的。以下是 LTU：
LTU 相当于对输入做一个线性组合，再加一个阶跃函数。
常用的阶跃函数是 Heaviside 和 Sign。
哪怕只有一个 LTU 也可以作为简单的线性二分类器，类似于逻辑回归或者线性****SVM。
感知器就是由一层 LTU 组成。以下是一个多输出分类器。
为了求得感知器的权重参数，需要确定一个学习策略，即定义损失函数并将损失函数极小化。有这样几种选择：
误分类点的总数：损失函数不是 w, b 的连续可导函数，不易优化。
误分类点到超平面的总距离：感知器所采用的损失函数。
感知器的损失函数是：
感知器学习问题转化为上式损失函数的最优化问题，最优化的方法是**随机梯度下降法**（stochastic gradient decent）。
感知器收敛性：当训练数据集线性可分时，感知器学习算法原始形式是收敛的。
感知器的具体算法分为两种形式：
原始形式
对偶形式
多层感知机：
