第(1/3)页

    对于一个给定的感知器来说，它的权重和阈值也是给定的，代表一种决策策略。因此，我们可以通过调整权重和阈值来改变这个策略。

    关于阈值threshold，这里需要指出的一点是，为了表达更方便，一般用它的相反数来表达：b=-threshold，这里的b被称为偏置（bias）。

    这样，前面计算输出的规则就修改为：如果w1x1    +    w2x2    +    w3x3    +...+    b    >    0，则输出output=1，否则输出output=0。

    而权重w1=w2=-2，则b=3。

    很明显，只有当x1=x2=1的时候，output=0，因为(?2)*1+(?2)*1+3=?1，小于0。而其它输入的情况下，都是output=1。

    所以在实际情况下，这其实是一个“与非门”！

    在计算机科学中，与非门是所有门部件中比较特殊的一个，它可以通过组合的方式表达任何其它的门部件。这被称为与非门的普适性(gate    universality)。

    既然感知器能够通过设置恰当的权重和偏置参数，来表达一个与非门，那么理论上它也就能表达任意其它的门部件。

    因此，感知器也能够像前面三体中的例子一样，通过彼此连接从而组成一个计算机系统。

    但这似乎没有什么值得惊喜的，我们已经有现成的计算机了，这只不过是让事情复杂化了而已。

    单个感知器能做的事情很有限。要做复杂的决策，所以则是需要将多个感知器连接起来。

    而实际中的网络可能会有上万个，甚至数十万个参数，如果手工一个一个地去配置这些参数，恐怕这项任务永远也完成不了了。

    而神经网络最有特色的地方就在于这里。

    我们不是为网络指定所有参数，而是提供训练数据，让网络自己在训练中去学习，在学习过程中为所有参数找到最恰当的值。

    大体的运转思路是这样：我们告诉网络当输入是某个值的时候，我们期望的输出是什么，这样的每一份训练数据，称为训练样本（training    example）。
    第(1/3)页