前一篇還有一個概念沒提到，也就是偏差，這邊先介紹一下
在神經網路中，偏差用於在神經元的計算中能夠調整輸出的結果，他是一個固定常數值，不會隨著輸入值變化。
它的作用是調整神經元函數的輸出，使其能夠更好地模擬目標函數。正確調整偏差可以幫助模型更好地模擬數據，實現更好的泛化性能。
感知器(Perceptron)是一種簡單的人工神經元模型，用於二元分類。它是深度學習和神經網路的起源之一，由弗蘭克·羅森布拉特於1957年提出。
輸入的數據分為兩個類別，例如(0, 1)。感知器的計算是每個輸入的特徵都與一個權重相乘，權重用來衡量特徵的重要性，然後這些乘積被加總起來。總和通過閾值函數進行二元分類。
圖片來源: 連結
AND邏輯閘是一個二元邏輯閘，輸入兩個值(A和B)，輸出結果為(1, 0)。邏輯閘的輸出結果只有在兩個輸入都為1時才為1，否則為0。
下圖為輸入和輸出結果
| A | B | AND(A, B) |
|---|---|---|
| 0 | 0 | 0 |
| 0 | 1 | 0 |
| 1 | 0 | 0 |
| 1 | 1 | 1 |
| 邏輯閘的權重和偏差可以設為： | ||
| 權重w1 = 0.5 | ||
| 權重w2 = 0.5 | ||
| 偏差b = -0.7 | ||
| 當Aw1 + Bw2 + b 大於等於零時，感知器的輸出為1，否則為0。這樣就可以完成AND邏輯閘的邏輯行為。 |
OR 邏輯閘也是一個二元邏輯閘，同樣輸入兩個值(A和B)。OR邏輯閘的輸出結果只要有一個輸入值為1輸出就是1。
下圖為輸入和輸出結果
| A | B | OR(A, B) |
|---|---|---|
| 0 | 0 | 0 |
| 0 | 1 | 1 |
| 1 | 0 | 1 |
| 1 | 1 | 1 |
| 邏輯閘的權重和偏差可以設為： | ||
| 權重w1 = 0.5 | ||
| 權重w2 = 0.5 | ||
| 偏差b = -0.2 | ||
| 當Aw1 + Bw2 + b 大於等於零時，感知器的輸出為1，否則為0。這樣就可以完成OR邏輯閘的邏輯行為。 |
iThome鐵人賽
看影片追技術