Perceptron 感知器学习-更新权重

我正在研究感知器学习，有一个问题让我有些困惑。由于我在自学，我查阅了各种论文、教程、powerpoints等，有时他们似乎使用不同的算法来调整网络的权重

例如，一些包括学习率，其他包括单个权重/输入产品，而其他只是所有权重/输入产品的总和

那么，我是否正确地假设有多个算法都会导致相同的最终权重矩阵/向量？

不，不一样

---

你是对的，有许多算法，但它们可能导致不同的权重。它类似于排序算法——有很多种，每种算法都做相同的事情，但有些是稳定的，有些不是，有些使用额外的内存，有些排序到位。

我写了一篇文章：一个人工神经网络（感知器）的直观示例，从自驾汽车的摄像头检测车辆和行人。我试图用最简单的例子来解释

你可以检查一下，希望能帮助你理解感知器中的权重更新。这里是链接

我还举例说明了学习率

---

总之，尽管正确地分类了我的输入，但它们是否仍然会导致有效的权重？也就是说，网络会有多重权重向量解吗？是的，就是这样。感知器在分类输入方面可能更好，也可能更差，这取决于学习算法的好坏，但它们都会产生相同的效果。好吧，那么唯一改变的是训练阶段所需的迭代次数？或者你的意思是，所有的算法都能正确地对测试进行分类，但有些算法会“在野外”得到更好的结果？没有任何算法能够确保感知器的正确学习，因为感知器用于近似输出。相同的学习数据以不同的顺序传递可能最终导致不同的权重，因此它将以不同的精度近似所需的输出。不同的学习算法以不同的质量逼近输出，对于不同类型的逼近函数，它们通常优于其他算法。