感知器是由美国计算机科学家罗森布拉特（F.Roseblatt）于1957年提出的。感知器可谓是最早的人工神经网络。单层感知器是一个具有一层神经元、采用阈值激活函数的前向网络。通过对网络权值的训练，可以使感知器对一组输人矢量的响应达到元素为0或1的目标输出，从而实现对输人矢量分类的目的。
下图是一个感知器：
可以看到，一个感知器有如下组成部分：
01 输入权值：
其中，每一个输入分量X(j＝1，2…，r)通过一个权值分量w，进行加权求和，并作为阈值函数的输人。偏差 b 的加入(对应上图中的 w,这样是便于书写和理解)使得网络多了一个可调参数，为使网络输出达到期望的目标矢量提供了方便。感知器特别适合解决简单的模式分类问题。
02 激活函数：
激活函数则有较多的选择，较为常见的有sigmoid函数和阶跃函数，这里以阶跃函数为例！
03 输出：
感知器的输出则由如下公式计算得出：
感知器有个屌用呢？F.Roseblatt 已经证明，如果两类模式是线性可分的（指存在一个超平面将它们分开），则算法一定收敛。
举个例子：很多的呀，比如最简单的的布尔运算。可以看作是二分类问题，即给定一个输入，输出0（属于分类0）或1（属于分类1）。它还可以拟合任何的线性函数，任何线性分类或线性回归问题都可以用感知器来解决。给你讲讲感知器的训练过程吧！
利用下面的感知器规则迭代的修改参数直到训练完成。
其中，
W是与输入X应的权重项，b 偏置项。事实上，可以把 b 看作是值永远为 1 的输入X对应的权重。t 是训练样本的实际值，一般称之为 label。而 y 感知器的输出值，它是根据公式计算得出。η 一个称为学习速率的常数，其作用是控制每一步调整权的幅度。
每次从训练数据中取出一个样本的输入向量 x ，使用感知器计算其输出 y，再根据上面的规则来调整权重。每处理一个样本就调整一次权重。经过多轮迭代后（即全部的训练数据被反复处理多轮），就可以训练出感知器的权重，使之实现目标函数。
下边是根据感知器算法编写出的python代码实现：（实践时是利用一个鸢尾花数据集archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data）
class Perceptron():
"""
eta: learning rate(0.0-1.0)
n_iter:passes over the traing dataset
w_:weights after fitting
errors_:number of misclassifications in every epoch
"""
def __init__(self,eta=1,n_iter=10):
self.eta = eta
self.n_iter = n_iter
def fit(self,X,y):
"""fit training data."""
self.w_ = np.zeros(1 + X.shape[1])
self.errors_ = []
for _ in range(self.n_iter):
errors = 0
for xi,target in zip(X,y):
update = self.eta * (target - self.predict(xi))
self.w_[1:] += update * xi
self.w_[0] += update
errors += int(update != 0.0)
self.errors_.append(errors)
return self
def net_input(self,X):
"""caculate net input"""
return np.dot(X,self.w_[1:]) + self.w_[0]
#a.dot(b) np.dot(a,b) sum(i*j for i,j in zip(a,b))
def predict(self,X):
"""return class label after unit step"""
return np.where(self.net_input(X) >= 0.0, 1, -1)
搭配上必要的绘图模块，可以实现对鸢尾花种类的识别，这里只是对感知器进行介绍，就不过多叙述其他模块了
摘自：https://mp.weixin.qq.com/s/o1OJRPRWCbTwk7dhZgjeHg