理工酷

为了了解“权重矩阵”在神经网络方面的含义，你需要首先了解单个神经元或感知器的作用。

感知器 首先，什么是感知器？感知器是一种人工神经元，它吸收多个二进制输入x1，x2，…，xn并产生单个二进制输出。

在上图显示的示例中，有三个输入x1，x2和x3。

为了计算输出，可以执行以下操作（O =输出）： a）汇总输入。O = x1 + x2 + x3 b）对输入应用线性数学运算。O =（x1 * x2）+ x3

为了理解解决此问题的最佳方法，我们需要意识到，由于x1，x2和x3在这里是二进制输入，因此如果一个输入为0，则将一个或多个输入相乘可以得到0输出。如果x1或x2或两者都等于零，则方法（b）的输出为O = x3。

如果其中只有一个等于0，则由于输入值乘以0，这可能导致信息丢失。

现在，让我们看一下简单的方法（a），了解为什么它部分正确，以及我们可以做些什么来使其完全正确。

方法（a）确定将所有输入考虑在内，而其中一个不会立即受到另一个的影响。但是，它没有考虑到输入的相对重要性。 让我解释一下这是什么意思。

假设，你想制作一个感知器来预测今天是否会下雨。你有一个二进制输出为O，它的值可以为0或1，并输入x1和x2。

如果今天天气潮湿，令x1为1，反之为0。如果你今天穿着一件红色衬衫，则令x2为1，否则为0。在这里我们可以看到，身穿红色衬衫与下雨的可能性几乎没有关系。因此，可能的输出函数可以是：

O = x1 + 0.1 * x2

这就是系数0.1的作用。如果x2为0，则0.1 * x2仍为0，但如果x2为1，则0.1 * x2将为0.1，而不是1。它基本上将输入x2的重要性从1降低到0.1，因此，将其称为输入x2的“权重” 。

现在将x2视为1。O仍将是（0 + 0.1）= 0.1或（1 + 0.1）= 1.1，即不是二进制值。为了做到这一点，我们可以做的是对O的总值使用一个“阈值” 。

可以说，如果（x1 + 0.1 * x2）> 1，则O为1。 如果（x1 + 0.1 * x2）<1 ，则O =0 。这样就解决了我们的问题。

一般来说， 现在，我们做一些符号简化， 其中w = [w1 w2 w3…。wn] T，x = [x1 x2 x3…。xn]和b =-（阈值） b通常称为偏差。 注意：“ T”是移调操作。wx是矩阵乘法。

现在，你可以将这种理解应用于S型神经元或整个人工神经网络。 如果{x *（x的权重）+ y *（y的权重）+ b}> 0， 则输出= 1， 否则，输出= 0。

希望对你有帮助！