感知机：
就现在我理解的来看，感知机是最早被设计使用的人工神经网络的模型。感知机属于二分类的线性分类模型，输入为实例的特征向量，输出为实例的类别，取值为+1和-1.
感知机使用特征向量来表示的前馈式人工神经网络，它是一种二元分类器，把矩阵上的输入
（实数值向量）映射到输出值
上（一个二元的值）。
是实数的表式权重的向量，
是点积。
是偏置，一个不依赖于任何输入值的常数。偏置可以认为是激励函数的偏移量，或者给神经元一个基础活跃等级。
(0 或 1)用于对进行分类，看它是肯定的还是否定的，这属于二元分类问题。如果是负的，那么加权后的输入必须产生一个肯定的值并且大于
，这样才能令分类神经元大于阈值0。从空间上看，偏置改变了决策边界的位置（虽然不是定向的）。
由于输入直接经过权重关系转换为输出，所以感知机可以被视为最简单形式的前馈式人工神经网络。
在集合空间中可以这样认为：
线性方程W*X+b=0 为一个超平面，其中W是超平面的法向量，b为截距，这个超平面将特征空间划分为两个部分，分为正例和负例。W是法向量如（X1，X2，X3.......）
感知机的学习策略：
就是确定感知机模型的参数W,B，使得定义的（经验）损失函数极小化。
损失函数：
在这里我们将损失函数定义为：误分类点到超平面s的总距离。
学习方法：
感知机的学习算法是误分类驱动的，具体采用梯度下降法。
思想：当一个实例被误分的时候通过修改w和b使得超平面向误分类点移动，减少误分类点到超平面的距离。
首先任意取一个w b的超平面，比如w=0 b=0.然后用梯度下降法极小化目标函数（损失函数），极小化过程是一次随机选取误分类点使其梯度下降。
损失函数L(w,b)的梯度是对w和b求偏导，即：
其中，（0<<=1）是学习率，即学习的步长。综上，感知机学习算法如下：
