不要阅读版本太长：
让我们首先谈论结论，在采用特定激活功能时，单个层次的感知机可以实现不同或逻辑的门。
例如，兴奋函数是确定净输入是否为零，而将功率向量视为偏差为0。
换句话说，仅基于y = x线上的点，以确定最终输出。对于不同或门电路，（）上的数据是此类别，并且（，）为。
一般而言，当我们使用感知计算机作为分类时，我们将使用诸如硬限制函数之类的函数进行分类，并且感知操作员数据结果的正面和负性映射到两个值为0和的值。1. LET代表类别或最终决定。在这种情况下，感知机等同于简单地在坐标系中绘制一条直线（高维时应称为Ultra -Plane），所有数据都分为两个部分。
在最简单的情况下，使用感知计算机，例如，门或门和非室，它们非常幸运。它们是线性分裂的。即使我们仅将不同的真实值使用分为两个部分。
到达不同或门后，它的四个点会形成“交叉”的情况。我们可以将它们分为两部分，直线。这次，大多数教科书都会说我们可以通过叠加来实现它感知机。根据我们学到的基本电路知识，不同或门可以由几个基本的门电路组成。LET的使用代码表明使用的功能是基于感知机的门电路。
之后，有些书会说一层感知机无法解决并添加一层感知机。但是它不能解释原因。
不同的或可以通过两层感知机说，实际上是因为它可以以非线性方式划分数据。
非线性是从激活函数得出的。经典或数据划分实际上是通过非线性转换的类似折叠效果，并且消除了数据集的“交叉”现象。
假设四个点是，然后沿Y轴折叠，可以将其分为这种方式。
使数据被划分的不仅是模仿变化的叠加。异质性。就像初始演示一样，激活函数被定义为我们设置的。但是为什么不这样写呢？只是查看我们最初解释的激活函数，显然他过于适应。
它限制了0的数据只能在y = x的直线上，并且不能忍受一点噪声。
当然，我们可以进行调整，更改激活功能以指向这一直距离，并在一定程度上减少过度拟合效果。但是随后的这个问题是多少？
激活功能属于超级跨热器，基本上依赖于体验设置。如何有句话？正确来自经验，经验来自错误，这是使用感知机，如何说，有一种感觉，有一种感觉，有一种感觉。它对形而上学更有偏见。
相反，它是一台多层次感知机。不是以这种形而上学的方式获得所需的非线性关系，而是通过一些简单的非线性关系获得适当的效果。
这是多层感知机的真正重要点。
如果您有不同的意见或批评，请在评论区域留言。