Perceptron

基于构建神经网络的增量放置游戏

Perceptron 是一款新的增量游戏，它基于构建和训练神经网络的理念。在这个空闲模拟中，神经网络背后的概念已被提炼为本质。

并不是说游戏很简单。当然，它一开始很简单，只有节点、训练和数据，但很快就会膨胀成一个具有声望和升级的复杂闲置游戏。更不用说线下支持了。

扮演一名年轻的本科生，成为无所事事的大亨。很快您甚至可以与 GPT-3 相媲美。

Perceptron 不仅仅是另一个闲置点击器。它是围绕训练神经网络的想法而设计的，并从许多神经网络主题中汲取了灵感。谁知道呢，您甚至可能最终会学到一些东西。

概念：

感知器由 Frank Rosenblatt 于 1957 年提出，是一种基本的人工神经网络模型，它使用线性函数将二进制数据分为两类。它是一个简单但功能强大的模型，已成为更复杂的神经网络的基石。

结构：

感知器由三层组成：

* 输入层：接收二进制输入特征，通常用0或1的值表示。

* 隐藏层：包含一个称为神经元的处理单元。

* 输出层：输出二元分类，通常表示为0或1。

功能：

隐藏层中的神经元计算输入特征的加权和：

````

加权和 = w1 * x1 + w2 * x2 + ... + wn * xn

````

在哪里：

* w1, w2, ..., wn 是与每个输入特征相关的权重

* x1, x2, ..., xn 是二进制输入特征

然后将加权和传递给阈值函数，该函数输出二元分类：

````

输出 = f(加权和)

````

其中 f 是阈值函数，通常定义为：

````

如果 x >= 0，则 f(x) = 1

如果 x < 0，则 f(x) = 0

````

学习算法：

感知器使用监督学习算法进行训练，该算法迭代调整神经元的权重以最大限度地减少错误分类的数量。该算法遵循以下步骤：

1. 给出输入特征向量及其正确分类。

2. 计算加权和并应用阈值函数以获得感知器的预测。

3. 如果预测不正确，则使用以下规则更新权重：

````

w_i = w_i + x_i * (y - p)

````

在哪里：

* w_i 是与输入特征 x_i 相关的权重

* x_i是输入特征的值

* y 是正确的分类

* p是感知器的预测

应用：

感知器已在各个领域得到应用，包括：

* 二元分类：将对象或事件识别为属于两个类别之一。

* 模式识别：检测数据中的模式或形状。

* 线性回归：近似输入和输出变量之间的线性关系。

限制：

虽然感知器对于线性可分离数据有效，但在处理非线性可分离数据时存在局限性。这种限制导致了更复杂的神经网络模型的发展，例如多层感知器和卷积神经网络。