你是否想过，人类的大脑是如何处理信息的？我们是如何看到、听到、说话、思考的？这些复杂的功能背后，有一个由860亿个神经元组成的神奇网络。人工神经网络，就是一种受生物学启发的编程范式，能够让计算机从可观测数据中学习，让它自己找出解决问题的方法。它是由大量人工神经元互联而成的网络。在本文中，我将从人工神经元开始，带你走进这个智能的世界。
感知机
1943年，美国心理学家麦卡洛克和数理逻辑学家匹茨首次提出了二值神经元模型，被称为麦卡洛克-匹茨模型（MP模型）。他们把神经元视为二值开关元件，将其按不同方式组合，就可以完成各种逻辑运算，比如与、或、非等。受到该研究的影响，1957年，美国学者罗森布拉特提出了感知机。作为最早把神经网络引向工程应用的一种模型，它对神经网络研究产生了极大的影响。
感知机接收若干个二进制输入，并生成一个二进制输出。权重为实数，表示输入对于输出的重要性。输出是0还是1,则由加权和小于或大于某个阈值来决定。
可以将感知机看作根据权重来做决策的机器。假设你在考虑是否收藏本篇文章，可以通过给以下3个因素设置权重来做出决定。
| 因素 | 权重 |
|---|---|
| 文章内容是否有价值 | 0.8 |
| 文章风格是否有趣 | 0.6 |
| 文章长度是否合适 | 0.4 |
如果我们设定阈值为1.2，则当输入为(1,1,1)时，即文章内容有价值、风格有趣、长度合适时，输出为1，表示收藏；当输入为(0,1,0)时，即文章内容无价值、风格有趣、长度不合适时，输出为0，表示不收藏。通过调整权重和阈值，可以得到不同的决策模型。
sigmoid 神经元
单个感知机上的权重或偏置的微小改动有时会导致输出完全翻转，比如0变成1。这对于学习来说是不利的，因为我们希望能够通过微调参数来改善网络的性能。可以引入 sigmoid 神经元来解决这个问题。sigmoid 神经元和感知机类似，但是权重和偏置的微小改动只会引起输出发生微小变化。
sigmoid 神经元的输入可以取0到1的任意值，而不限于0或1。
总结
本文介绍了人工神经网络的基本组成单元——人工神经元。我们从最早的感知机开始，了解了它的结构、原理和应用。然后，我们引入了sigmoid神经元，解决了感知机的一些局限性，并为后续的学习打下了基础。
