为了理解单层感知器，了解人工神经网络（ANN）非常重要。人工神经网络是一种信息处理系统，其机制灵感来自生物神经回路的功能。人工神经网络拥有许多相互连接的处理单元。以下是人工神经网络的示意图表示：
该图显示隐藏单元与外部层进行通信。而输入和输出单元仅通过网络的隐藏层进行通信。
与节点连接的模式、总层数以及在输入和输出之间的节点级别与每个层中的神经元数量定义了神经网络的架构。
有两种类型的架构。这些类型关注人工神经网络的功能，如下所示：
单层感知器
多层感知器
单层感知器
单层感知器是首次提出的神经模型。神经元的本地内存内容包括一个权重向量。单层感知器的计算是在输入向量的每个值与权重向量的相应元素相乘后计算输入向量的总和。显示在输出中的值将是激活函数的输入。
让我们专注于使用TensorFlow实现单层感知器来解决图像分类问题。最好的例子来说明单层感知器是通过“逻辑回归”的表示。
现在，让我们考虑训练逻辑回归的以下基本步骤：
1. 在训练开始时，权重被初始化为随机值。
2. 对于训练集的每个元素，计算误差，即期望输出与实际输出之间的差异。