单层感知机

单层感知机结构

神经网络最简单的结构就是单输出的单层感知机，单层感知机只有输入层和输出层，分别代表了神经感受器和神经中枢。下图是一个只有2个输入单元和1个输出单元的简单单层感知机。在图中，x 1、w2代表神经网络的输入神经元受到的刺激，w1、w2代表输入神经元和输出神经元间连接的紧密程度，w3代表输出神经元的兴奋阈值。Y是输出神经元受到的刺激总和，y为输出神经元的输出。

（单层感知机）

         如果整形函数（如sigmoid）确定，网络拓扑和连接权重就足以表示一个网络。在网络拓扑确定的情况下，利用训练数据修改连接权重的过程就是BP算法。我们利用一个例子说明单层感知机的训练过程。有一个单层感知机的网络拓扑如下图所示，权重wi（i=1,2,3）被初始化为0~1之间的随机小数。一个训练的样本我们用式子[(x1, x2),T]表示，x1，x2为输入神经元的兴奋值，T教师信号，即期望输出神经元产生的输出，T取值一般为0或者1。

（单层感知机的错误信号）

         单层感知机的BP训练分为三个过程：前向过程、错误反向传导过程和连接权重修改过程。

（1）前向过程

利用当前的权重和输入兴奋计算Y和y的过程就是BP训练的前向过程，前向过程模拟的是脑神经的工作过程。Y和y的计算满足公式3。

（2）错误信号反向传播过程

                                 （单层感知机的错误信号）

Err（Y） =  y * (1-y) * (T-y)

Err(y) = T-y

        对于未经训练的网络，y往往和期望输出T不一样，y和T的差值构成整个神经网络的源错误信号，该信号要用来指导网络权重的修正。我们按照定义输出神经元的输入错误信号Err(Y)和输出错误信号Err(y)。

（3）连接权重的修改

方法1：

权重的修改，有两个感性直观的方法：

a．某个输出神经元的错误越大，与之相关的连接(w)就需要越多的修改；例如：Err(Y)很大，说明w修改量delta(w)也应该很大。

b．在输入神经元中，谁的兴奋值越大，对错误产生的责任就越大，其与输出神经元的连接就需要越多的修改。

例如：x1=0.1，x2=0.8。Err(Y)的出现，x2的责任更大，连接权重w2的修改量delta(w2)要比delta(w1)要更大。

基于以上两点，我们把一条连接权重的修改量定为该连接的前层神经元的输出x乘以后层神经元的Err(Y)，用公式表示：

我们可以得到各权重修改量为：

算出delta(w)之后，我们通过如下公式完成对网络的更新：

方法2：

        我们可以从多元函数求极值角度解释上述过程。模型的训练的理念是经验风险最小化，也就是要使训练数据的错误|Err(y)|最小，但是由于|Err(y)|带有绝对值的目标不方便求导，我们把模型训练目标用函数lossFun表示。lossFun定义如下公式：

         对于一个样本[(x1,x2),T]，特征为x1、x2​；类别或输出目标为T。lossFun是一个以[(x1,x2),T]为常量，以[w1,w2,w3]为变量的多元函数。模型的训练优化可看成一个多元函数求极值的问题。

已知条件为：

在上面公式中，x1，x2，T为常量，w1、w2,、w3为变量。lossFun对w1求偏导得到：

同理可得：

      训练样本[(x1,x2),T]时，网络参数按照梯度下降的方向求解。偏导数算出的是lossFun上升最快的方向，W的修改量delta(W)是lossFun下降最快的方向，所以delta(W)方向与梯度方向相反。