Artificial intelligence 感知器和加权麦卡洛赫-皮特之间有什么区别？

在阅读Rojas的一本关于神经网络的书时，我在不同的地方遇到了两种说法，这两种说法对我来说似乎是矛盾的，因为我认为感知器和加权McCulloch-Pitts网络是相同的。声明如下：

由于McCulloch–Pitts网络不使用加权边，因此必须回答加权网络是否比未加权网络更普遍的问题。一个简单的例子表明，这两种网络是等价的。

感知器网络能够计算任何逻辑函数，因为感知器比未加权的McCulloch–Pitts元件更强大。

---

它们有何不同？

这两段话看起来有点脱离了上下文。我想，你的问题的答案也可以在同样的作品中找到：

图中显示，正理性权重可以通过简单的 按所需次数扇出网络边缘。这意味着 我们可以使用加权边，也可以使用更复杂的 具有许多冗余边缘的网络

稍后关于负权重：

如上所示，我们可以使用 未加权网络。我们所交易的是构建模块的简单性 更复杂的网络拓扑结构

因此，答案是：与未加权网络相比，具有加权边的网络更简单，结构更统一，易于构建和训练

我认为，作者的观点（关于感知机的力量）在下面一段中得到了解释：

我们得出结论，McCulloch–Pitts装置可用于 构建能够计算任何逻辑功能和 模拟任何有限自动机[但]网络必须 在使用前完全指定。没有免费的 可以调整以适应不同问题的参数。学问 只能通过修改的连接模式来实现 网络和阈值的单位，但这必然是更多 这比调整数值参数更复杂

---

这就是为什么感知器更强大（意味着灵活和统一）。

这两段话看起来有点脱离了上下文。我想，你的问题的答案也可以在同样的作品中找到：

图中显示，正理性权重可以通过简单的 按所需次数扇出网络边缘。这意味着 我们可以使用加权边，也可以使用更复杂的 具有许多冗余边缘的网络

稍后关于负权重：

如上所示，我们可以使用 未加权网络。我们所交易的是构建模块的简单性 更复杂的网络拓扑结构

因此，答案是：与未加权网络相比，具有加权边的网络更简单，结构更统一，易于构建和训练

我认为，作者的观点（关于感知机的力量）在下面一段中得到了解释：

我们得出结论，McCulloch–Pitts装置可用于 构建能够计算任何逻辑功能和 模拟任何有限自动机[但]网络必须 在使用前完全指定。没有免费的 可以调整以适应不同问题的参数。学问 只能通过修改的连接模式来实现 网络和阈值的单位，但这必然是更多 这比调整数值参数更复杂

---

这就是为什么感知器更强大（意味着灵活和统一）。

请注意，“等效”并不意味着“相同的性能”，但它们可以表示相同的解决方案空间（尽管以不同的方式）。这里的权衡是“等效”未加权网络所需的拓扑结构的复杂性加权。你是说当作者说“更强大”时，他说的是性能吗？不是真的，可能更“富有表现力”或“简洁”。它需要更多没有权重的节点来完成权重所实现的相同任务，因此我希望在标准CPU上进行权重计算会更高效。大规模并行专用系统可能会反过来。请注意，“等效”并不意味着“相同的性能”，但它们可以表示相同的解决方案空间（尽管以不同的方式）。这里的权衡是“等效”未加权网络所需的拓扑结构的复杂性加权。你是说当作者说“更强大”时，他说的是性能吗？不是真的，可能更“富有表现力”或“简洁”。它需要更多没有权重的节点来完成权重所实现的相同任务，因此我希望在标准CPU上进行权重计算会更高效。大规模并行专用系统可能会改变这一点。我的问题是：当作者说感知机更强大时，他是说它们比McCulloch–Pitts网络解决的问题范围更广吗？简短的回答是：不，这意味着它们都能解决相同范围的问题，但感知器为解决这些问题提供了一种统一的方法，而非加权网络需要结构推导的临时（手动或计算机化）分析阶段。这就是感知器更强大的原因。我将在我的答案中添加更多的引文。谢谢@Stan。除了这本书，你推荐我上神经网络的第一门课的书是什么。有什么最新的吗？有这么多有趣的书。。。我不确定它是否适合第一道菜，但圣经是神经学的