感知机可以说是最简单最经典的神经网络模型了，简单而言就是对输入加权求和之后，得到一个评价值和一个threshold比较，从而进行分类。只能求取线性分类面，极大依赖于特征提取，但速度极快，适用于特征维度很大的情况。

传统模式识别框架

传统统计模式识别的标准流程分为三步，首先进行特征提取，然后学习一个加权求和，最后把求和得到的值与一个threshold比较，高于threshold即为正样本，低于则为负样本。而这个权重的学习方式不同，则形成了不同的模型。

感知机的历史

Hinton还介绍了一下感知机的历史，这部分笔者还蛮感兴趣的。
刚开始提出的时候（1960左右）学界对其期望很高，该模型也表现出了很好地能力，人们最初声称其可以学习很多问题；后来发现某些声称是不成立，例如当时说可以用感知机区分坦克和卡车，但是后来发现是因为坦克照片多拍摄于白天，卡车照片多拍摄于阴天，导致坦克照片的光强总和要高于卡车照片，感知机仅仅是学习到了这个部分。（这也提示了数据库随机采样，以及解释分析模型的重要性）。
之后Minsky和Papert证明了感知机的局限性，Hinton这里又抱怨了当时人们对这个结论泛化的过于厉害，都认为神经网络模型已经被证实能力有限了；Hinton当年开始做神经网络的时候，很多人和他说这个模型已经被证实能力不足了。
感知机现如今仍然广泛应用于特征维度上百万的情况（例如Google）。

感知机模型

上图展示的就是感知机模型，注意到这里使用bias替代threshold，其中bias=-threshold。对于z大于0的情况判定为正样本，否则为负样本。使用bias可以简化学习流程，因为bias其实可以看做bias*1，所以对x进行拓展，在初始位置添加一个常值为1的特征，即可把bias看做w0，学习算法只需要学习权重即可。（这里其实就是Binary Threshold Neuron的两种表示，详情参考 Hinton Neural Networks课程笔记1c：几种**函数Linear、Binary、ReLU、Stochastic binary neurons）

感知机学习算法

感知机学习算法很简单，所以很快。并且在数据集线性可分的情况下保证能够收敛，学习到把所有数据集完美分开的权重。
学习算法如下图所示：

简而言之，只对分类错误的样本作反应，真值为1的样本在权重上加上输入向量，真值为0的样本在权重上减去输入向量。无限循环，直至收敛。