Rosenblatt于1958年发布的感知器算法，算是机器学习鼻祖级别的算法。其算法着眼于最简单的情况，即使用单个神经元、单层网络进行监督学习（目标结果已知），并且输入数据线性可分。我们可以用该算法来解决and 和 or的问题。
在讨论神经元的数学模型时，我们将单个神经元抽象为下图的信号流图形式。输入向量为x，权重向量为w，w0一路为bias，这里不再赘述。
而本文算讲的算法，其解决的实际问题是，在知道输入向量x，和输出向量y的情况下，求解感知器的权重向量w以及bias。在几何上，我们可以理解为，我们有确定的n个点(x,y坐标确定)，根据不断调整w的值，来求取一个超平面(Hyperplane)或称决策边界(Decision
Boundary),将这n个点分隔成2组。
因为在输入向量与权重向量内积运算后，induced local field的值为：
而在其进入activation
function时，很明显0是一个很重要的阈值，也即是输出值的分界点。
所以，我们要解决的问题也就可以等同于求出如下等式的一个解：
如果将bias单独拿出，则改写为：
之前一直不理解bias存在于神经网络中的意义，直到在《Neural networks and deep learning》被醍醐灌顶。其实bias类似于阈值门槛的大小，阈值就是-w0*bias。而在Western读书的同学，也有能够一击领悟到其意义的，让我也是有些艳羡。