感知器（二） 权重更新算法

版权声明：本文为博主原创文章，转载文章须附上文章来源与作者。 https://blog.csdn.net/ChangerJJLee/article/details/87717779

神经网络的“ 学习” 是指从训练数据中自动获取最优权重参数的过程。神经网络的特征就是可以 从数据中学习。 所谓“ 从 数据中学习”， 是指可以由数据自动决定权重参数的值。此时如何学习到权重参数，这就涉及到权重更新算法。这里给出一般性权重更新算法

• 最新权重 $W' _{（j）}$ = $W_{（j）}$ + $\nabla W_{（j）}$， $W_{（j）}$为旧权重

• 其中 $\nabla W_{（j）}$ 为 权重更新值

• $\nabla W_{（j）}$= $\eta (y-y')$ * $X_{(j)}$

• 其中 $\eta$ 是学习率，往往是[0,1]间的小数

• y 输入样本的正确分类，y’是感知器计算出来的分类

• 感知器算法权重参数更新流程