人工神經(jīng)網(wǎng)絡(luò)的產(chǎn)生張杲峰，劉剛，周慶國(guó)人民郵電出版社2025神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)(微課)內(nèi)容概要人腦神經(jīng)網(wǎng)絡(luò)的啟示M-P模型：數(shù)學(xué)與神經(jīng)科學(xué)的首次聯(lián)姻感知機(jī)：第一個(gè)實(shí)現(xiàn)的人工神經(jīng)網(wǎng)絡(luò)從單層到多層：智能的階梯神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)2人腦神經(jīng)網(wǎng)絡(luò)的啟示神經(jīng)元與神經(jīng)網(wǎng)絡(luò)人腦約有860億個(gè)神經(jīng)元，每個(gè)神經(jīng)元通過上千個(gè)突觸和其他神經(jīng)元相連接，這些連接可以在神經(jīng)元之間傳遞信息。神經(jīng)元和它們之間的連接構(gòu)成一個(gè)巨大的協(xié)同處理的復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)，即神經(jīng)網(wǎng)絡(luò)，構(gòu)成認(rèn)知的物質(zhì)與生理基礎(chǔ)。神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)3人腦神經(jīng)網(wǎng)絡(luò)的啟示學(xué)習(xí)：赫伯規(guī)則（Hebbrule）1949年，加拿大心理學(xué)家赫伯（DonaldHebb）總結(jié)了突觸的學(xué)習(xí)規(guī)則，即如果兩個(gè)神經(jīng)元總是相關(guān)聯(lián)地受刺激，它們之間的突觸強(qiáng)度就增強(qiáng)，否則就減弱，神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)4M-P模型：數(shù)學(xué)與神經(jīng)科學(xué)的首次聯(lián)姻1943年，麥克洛奇（WarrenMcCulloch）（左，神經(jīng)科學(xué)家）和皮茲（WalterPitts）（右，數(shù)學(xué)家）提出的一種基于簡(jiǎn)單邏輯運(yùn)算的神經(jīng)網(wǎng)絡(luò)。模型描述了具有激活和抑制兩種狀態(tài)的單個(gè)神經(jīng)元的活動(dòng)，定義為線性閾值門（linearthresholdgate）。神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)5

感知機(jī)：第一個(gè)實(shí)現(xiàn)的人工神經(jīng)網(wǎng)絡(luò)Perceptron模型（1957，羅森布拉特，F(xiàn)rankRosenblatt）神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)6Thefirstmachinewhichiscapableofhavinganoriginalidea.——FrankRosenblattStoriesaboutthecreationofmachineshavinghumanqualitieshavelongbeenafascinatingprovinceintherealmofsciencefiction.Yetweareabouttowitnessthebirthofsuchamachine–amachinecapableofperceiving,recognizingandidentifyingitssurroundingswithoutanyhumantrainingorcontrol.——FrankRosenblatt感知機(jī)：第一個(gè)實(shí)現(xiàn)的人工神經(jīng)網(wǎng)絡(luò)Perceptron模型（1957，羅森布拉特，F(xiàn)rankRosenblatt）神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)7

感知機(jī)：第一個(gè)實(shí)現(xiàn)的人工神經(jīng)網(wǎng)絡(luò)Perceptron的Python實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)8#實(shí)現(xiàn)邏輯與運(yùn)算的感知機(jī)import

numpyasnp

classPerceptron(object): #定義感知機(jī)

def__init__(self，input_size):

self.W=np.array([1，1]) #權(quán)重

self.b=-2 #偏置

defactivation_fn(self，x): #定義激活函數(shù)

return1ifx>=0else0

defpredict(self，x): #定義預(yù)測(cè)z=self.W.T.dot(x)a=self.activation_fn(z+self.b)

return

aX=np.array([[0，0]，[0，1]，[1，0]，[1，1]])#邏輯運(yùn)算可能的輸入組合perceptron=Perceptron(input_size=2)#實(shí)例化感知機(jī)forxinX:pre=perceptron.predict(x)print(x[0]，'and'，x[1]，'='，pre)

#輸出當(dāng)輸入為X時(shí)對(duì)應(yīng)的預(yù)測(cè)值