《关闭小说畅读模式体验更好》

        但这里还有一个问题，在训练过程中，当实际输出值和期望输出值产生差异的时候，要如何去调整各个参数呢？

        当然，在思考怎么做之前，也应该先弄清楚：通过调整参数的方式获得期望的输出，这个方法行得通吗？

        实际上，对于感知器网络来说，这个方法基本不可行。

        比如在上图有39个参数的感知器网络中，如果维持输入不变，我们改变某个参数的值，那么最终的输出基本完全不可预测。

        它或者从0变到1（或从1变到0），当然也可能维持不变。这个问题的关键在于：输入和输出都是二进制的，只能是0或者1。

        如果把整个网络看成一个函数（有输入，有输出），那么这个函数不是连续的。

        因此，为了让训练成为可能，我们需要一个输入和输出能够在实数上保持连续的神经网络。于是，这就出现了sigmoid神经元。

        sigmoid神经元(sigmoidneuron)是现代神经网络经常使用的基本结构（当然不是唯一的结构）。它与感知器的结构类似，但有两个重要的区别。

        第一，它的输入不再限制为0和1，而可以是任意0~1之间的实数。

        第二，它的输出也不再限制为0和1，而是将各个输入的加权求和再加上偏置参数，经过一个称为sigmoid函数的计算作为输出。

        具体来说，假设z=w1x1+w2x2+w3x3+...+b，那么输出output=σ(z)，其中：σ(z)=1/(1+e-z)。

        内容未完，下一页继续阅读