感知器学习 - 更新权重答案

【问题标题】：Perceptron Learning - Update Weights感知器学习 - 更新权重
【发布时间】：2019-05-24 23:23:34
【问题描述】：

我正在学习感知器学习，并且有一个问题有点让人困惑。由于我是自学的，所以我浏览了各种论文、教程、PowerPoint 等，有时他们似乎使用不同的算法来调整网络的权重。

例如，有些包含学习率，有些包含单个权重/输入产品，而另一些仅包含所有重量/输入产品的总和。

那么，我是否正确地假设有多种算法都导致相同的最终权重矩阵/向量？

【问题讨论】：

【解决方案1】：

不，不一样。

你说得对，有很多算法，但它们可能会导致不同的权重。就像排序算法一样——有很多，每个都做同样的事情，但有些是稳定的，有些不是，有些使用额外的内存，有些排序。

【讨论】：

所以，总而言之，尽管正确分类我的输入，它们是否仍会导致有效权重？即，网络是否会为权重向量提供多种解决方案？
是的，就是这样。你的感知器在分类输入方面可能更好或更差，这取决于你学习算法的好坏，但它们都会产生相同的效果。
好的，那么几乎唯一改变的是训练阶段所需的迭代量？还是您的意思是所有算法都会导致对测试进行正确分类，但有些算法会导致“在野外”获得更好的结果？
没有算法可以保证感知器的正确学习，因为感知器是用来近似输出的。相同的学习数据以不同的顺序传递，最终可能会导致不同的权重，因此它会以不同的精度逼近想要的输出。不同的学习算法以不同的质量逼近输出，并且对于不同类型的逼近函数，它们通常比其他算法更好。

【解决方案2】：

我写了一篇文章：人工神经网络（感知器）从自动驾驶汽车的摄像头检测车辆和行人的直观示例。我试图用最简单的例子来解释。

您可以查看，希望可以帮助您了解 Perceptron 中的权重更新。这是链接。

我还通过示例解释了学习率。

【讨论】：