从本篇开始，我们正式踏入神经网络与深度学习 的大门，首站就是所有神经网络的入门基石 ------感知器（Perceptron） 算法。
感知器作为最早的人工神经网络模型，是深度学习中多层感知器、CNN、Transformer 等复杂模型的基础，理解它的核心原理，就能打通神经网络从 0 到 1 的任督二脉。
一、什么是感知器？
感知器（Perceptron）是由美国科学家罗森布拉特在 1957 年提出的，是最简单的人工神经网络模型 ，本质是一个线性二分类模型 ，也是我们上一篇提到的 KNN 算法之后，第一个带参数训练过程的经典算法。
从生物学角度，感知器是对生物神经元的极简模拟：生物神经元通过接收多个突触的信号，整合后达到阈值就会产生神经冲动；而人工感知器通过接收多个特征输入，经过加权求和 + 激活判断后，输出分类结果（0 或 1）。
用一句话总结感知器的核心逻辑：对输入特征进行加权求和，再通过激活函数做二分类判断，通过训练不断调整权重参数，让模型能精准划分两类数据。
感知器也是后续多层感知器（MLP） 的基础，多层感知器就是将多个感知器堆叠，加入隐藏层，从而实现非线性分类，这也是深度学习的核心思路。
二、感知器的核心原理
感知器的原理围绕数学公式 和结构模型 展开，没有复杂的推导，核心就 3 步：输入加权求和→加入偏置→激活判断。
2.1 感知器的基本结构
感知器的结构是神经网络的基础，包含三个核心部分，对应生物神经元的输入、整合、输出：
- 输入层 ：接收外界的特征输入，记为
x1, x2, ..., xn（n 为特征维度），每个输入对应一个权重（w），权重代表该特征对分类结果的重要性； - 整合层 ：对输入特征进行加权求和 ，再加上偏置（b）（偏置的作用是调整模型的分类阈值，让模型更灵活）；
- 输出层 ：将整合后的结果传入激活函数，得到最终的二分类输出（0 或 1）。
2.2 感知器的核心公式
感知器的计算过程可以用两个核心公式概括
步骤1：线性计算
：特征的线性得分（无边界）
步骤 2：二分类输出
感知器的激活函数是符号函数 ，作用是将线性加权和z映射为0 或 1的二分类结果，公式为：
如果线性加权和大于等于 0，感知器输出 1（属于正类）；否则输出 0（属于负类）。
2.3 感知器的核心本质
感知器的本质是：在 n 维特征空间中，找到一个线性超平面，将两类数据进行线性划分。
- 二维特征空间中，这个超平面是一条直线；
- 三维特征空间中，这个超平面是一个平面；
- n 维特征空间中，这个超平面是n-1 维的线性界面。
这也是感知器的核心局限性：只能处理线性可分的数据，如果数据是非线性可分的，感知器无法找到合适的划分平面，这也是后续多层感知器出现的原因。
三、感知器的训练过程
和 KNN 算法不同，感知器是有训练过程的模型，核心是通过误差调整权重和偏置，让模型的预测结果越来越接近真实标签。感知器的训练遵循错误驱动的原则，只有当预测结果出错时，才会调整参数，这也是后续反向传播算法的雏形。
3.1 训练的核心目标
找到一组最优的权重参数 W 和偏置 b ，使得感知器能对所有训练样本做出正确的二分类判断，即：对于任意训练样本(Xi, yi)（yi∈{0,1}），感知器的输出f(W·Xi + b) = yi。
3.2 感知器的训练步骤
感知器的训练过程非常简单，总共 5 步，全程只有参数初始化 、前向预测 、误差计算 、参数更新 、循环迭代几个核心步骤。
步骤 1：参数初始化
给权重w1, w2, ..., wn赋随机小值 （或初始化为 0），偏置b初始化为 0（也可以是随机小值）。
步骤 2：前向预测
取一个训练样本(X, y)，其中X=(x1,x2,...,xn)是特征，y是真实标签（0 或 1），代入感知器公式计算预测输出：
- 计算线性加权和：
z = w1x1 + w2x2 + ... + wnxn + b - 激活判断得到预测值：
y_hat = f(z)（f 为阶跃函数）
步骤 3：误差计算
计算预测值与真实值的误差：e = y - y_hat
- 如果
e=0：预测正确，不调整参数； - 如果
e≠0：预测错误，需要根据误差调整权重和偏置。
步骤 4：参数更新
这是感知器训练的核心，根据感知器学习规则更新权重和偏置，公式为：
其中：
η：学习率（0<η≤1），控制参数更新的步长，和后续梯度下降的学习率作用一致；e：预测误差y - y_hat；x_i：第 i 个特征值。
学习率的选择技巧：
- η 太小：参数更新太慢，训练耗时久，容易陷入局部最优；
- η 太大：参数更新幅度过大，容易在最优值附近震荡，无法收敛；
- 一般先取 0.1、0.01 尝试，再根据训练结果调整。
步骤 5：循环迭代
重复步骤 2-4，遍历所有训练样本，直到所有样本预测正确 ，或者迭代次数达到预设值，训练结束。
3.3 感知器训练的核心思想
感知器的参数更新规则是梯度下降的极简形式 ，也是后续 BP 神经网络（反向传播）的基础。简单说：预测错了，就根据误差的方向，往能修正错误的方向调整参数，直到模型能正确划分所有线性可分的数据。
四、感知器的优缺点
4.1 优点
- 结构简单：是最简单的人工神经网络，原理易懂，数学推导简单，适合神经网络入门；
- 训练高效：参数更新规则简单，计算量小，对于线性可分的小数据集，训练速度极快；
- 易实现：核心代码只有几十行，无需复杂的库，纯 Python 就能实现；
- 奠定基础：感知器的加权求和、激活函数、参数训练思想，是所有神经网络的核心基石，后续的 MLP、CNN 都基于此。
4.2 缺点
- 只能处理线性可分数据 ：这是感知器最大的局限性，也是著名的感知器收敛定理：只有当训练数据线性可分时，感知器才能收敛，否则永远无法训练成功（比如异或 XOR 问题，感知器无法解决）；
- 仅支持二分类：原生感知器只能做 0/1 的二分类，无法直接处理多分类问题（需要改进为多类感知器，比如一对多、一对一）；
- 对异常值敏感：感知器的参数更新受错误样本驱动，异常值会导致参数向错误方向调整，影响模型效果；
- 无泛化能力优化：原生感知器没有正则化等机制，容易在训练集上过拟合，对测试集的泛化能力较差。
五、实战案例 ------ 感知器实现鸢尾花二分类
import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import accuracy_score
class Perceptron:
def __init__(self, eta0=0.1, max_iter=100):
self.eta0 = eta0
self.max_iter = max_iter
self.w = None
self.b = 0
def activation(self, z):
return np.where(z >= 0, 1, 0)
def fit(self, X, y):
self.w = np.zeros(X.shape[1])
for _ in range(self.max_iter):
error_count = 0
for xi, yi in zip(X, y):
z = np.dot(xi, self.w) + self.b
y_hat = self.activation(z)
e = yi - y_hat
if e != 0:
self.w += self.eta0 * e * xi
self.b += self.eta0 * e
error_count += 1
if error_count == 0:
print(f"提前收敛，迭代次数：{_+1}")
break
def predict(self, X):
z = np.dot(X, self.w) + self.b
return self.activation(z)
iris = load_iris()
X = iris.data[:100, :]
y = iris.target[:100]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
ppn = Perceptron(eta0=0.1, max_iter=100)
ppn.fit(X_train, y_train)
y_train_pred = ppn.predict(X_train)
y_test_pred = ppn.predict(X_test)
print(f"感知器训练集准确率：{accuracy_score(y_train, y_train_pred):.4f}")
print(f"感知器测试集准确率：{accuracy_score(y_test, y_test_pred):.4f}")
print(f"感知器权重：{ppn.w}")
print(f"感知器偏置：{ppn.b}")
日记
2月8日，星期日
休息的一天
今天单休一天，终于知道之前别人说的放假只吃一顿是什么样的，睡觉睡到下午14：00，然后吃点零食，晚上只吃一顿。