「开箱即用」感知机原理与实战（Pytorch实现）

「这是我参与2022首次更文挑战的第3天，活动详情查看：2022首次更文挑战」。

所谓机器学习，在大多数时候都是拿到现有的模型做些简单的修改后就开始“炼丹”，主要工作就是调参，所以江湖人称“调参师”或者“炼丹师”。因此，我想对一些常用的机器学习模型做一些梳理和总结，一来是作为个人的学习笔记，二来是方便各位点进来的朋友复制代码后可以直接开始“炼丹”，争取做到「开箱即用」。

观前提示：水平有限，小菜鸡先在这里给各位大佬赔不是了🙏。

梳理的顺序基本是按照时间来的，大体符合机器学习算法的发展过程，所有模型都会提供其 Pytorch 实现，并简要介绍其原理。本文介绍的是神经网络的鼻祖——感知机。下面开始正文👇

感知机（Perceptron），又称“人工神经元”或“朴素感知机”，是神经网络的基本单元，本文先介绍感知机的基本原理，然后结合具体的分类任务给出感知机模型的 Pytorch 实现。

Rosenblatt 是神经网络的开山鼻祖，他于 1957 年提出了感知机（Perceptron）的理论；1960 年，他基于硬件结构搭建了一个神经网络。但是，这项成果遭到 Marvin Minksy 和 Seymour Papert 的质疑，使得 Perceptron 沉寂了近 20 年，直到 80 年代 Hinton 发明 BP 算法才使得其成为热门。

假设输入空间（特征空间）为 x∈Rnx\in R^n x∈Rn，输出空间是 y∈{1,−1}y\in\{1,-1\}y∈{1,−1}，则输入空间到输出空间的函数：f(x)=sign(wx+b)f(x)=sign(wx+b)f(x)=sign(wx+b) 就称为感知机。其中，www 叫做权值（weight）或权值向量（weight vector），bbb 叫做偏置（bias），signsignsign 是符号函数：