公式表达:
z = W T x + b , a = σ ( z ) = σ ( W T x + b ) z= W^Tx + b , a = \sigma (z) = \sigma (W^Tx + b) z=WTx+b,a=σ(z)=σ(WTx+b) 通过a与Y的误差调整W与b
**算法 1： 感知机训练算法 初始化参数𝒘 = 0, 𝑏 = 0 repeat 从训练集随机采样一个样本(𝒙𝑖, 𝑦𝑖) 计算感知机的输出a = sign(𝒘𝐓𝒙𝑖 + 𝑏) 如果a ≠ 𝑦𝑖： 𝒘′ ← 𝒘 + 𝜂 ∙ 𝑦𝑖 ∙ 𝒙𝒊 𝑏′ ← 𝑏 + 𝜂 ∙ 𝑦𝑖 until 训练次数达到要求 输出： 分类网络参数𝒘和𝑏**即：
O=X@W+b 𝑶包含了𝑏个样本的输出特征 𝑾矩阵叫做全连接层的权值矩阵 𝒃向量叫做全连接层的偏置向量