第635章
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+...+b0，则输出output=1，否则输出output=
而权重w1=w2=-2，则b=
很明显，只有当x1=x2=1的时候，output=0，因为(?2)*1+(?2)*1+3=?1，小于而其它输入的情况下，都是output=
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(GateUniversality)
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（trainingexample）
这个过程相当于老师在教学生某个抽象的知识的时候，举一个具体例子：
一般来说，我们举的例子越多，就越能表达那个抽象的知识这在神经网络的训练中同样成立
我们可以向网络灌入成千上万个训练样本，然后网络就自动从这些样本中总结出那份隐藏在背后的抽象的知识
这份知识的体现，就在于网络的所有权重和偏置参数的取值
假设各个参数有一个初始值，当我们输入一个训练样本的时候，它会根据当前参数值计算出唯一的一个实际输出值
这个值可能跟我们期望的输出值不一样想象一下，这时候，我们可以试着调整某些参数