单层感知机：输入层→输出层"（输出层 1 个神经元）
1.P为间隔，r代表数据的大小，r数据多则收敛变慢。
2.
对 "理想分类参数w，b进行**归一化，**限制参数的 "规模"
无论怎么切都不能分割这两类别
多层感知机：输入层→隐藏层→输出层
回到xor问题，如何解决？
x,y代表样本的两个维度，中间层记录样本分类结果，输出层也为样本分类结果；类似于两个函数相加得到的结果
输入维度，隐层一个节点代表一个函数，输出为类别；
单分类：输出层用 1 个神经元 +激活
参数解释如下：
当西格玛为线性时
常用激活函数
一个指数运算
两个指数运算
不用指数运算（快，省）
多分类：输出层用N个神经元 +激活
所有输入拉到0-1范围，使得y相加得到1（概率）
参数解释如下：
理解：多维数据输入，数据结果为类别则相较输入的维度数量较少，一般来说需要慢慢压缩维度，既使用多隐藏层；类似于右边网络变（大，小，小，不变）。
多层感知机从零实现
李沐深度学习35号视频Q&A