在機器學習里面，有一大類叫做神經網絡。神經網絡里面，大名鼎鼎的有卷積神經網絡CNN，循環神經網絡RNN。其中，卷積神經網絡在圖形圖像處理方面，有著很出色的成果。例如識別圖像的功能，通過基于CNN的深度學習技術，現在機器已經可以識別出很多東西了。下面這個圖是電視劇《三生三世 十里桃花》的劇照，使用Tensorflow和ImageNet，機器告訴我們，這張圖是 kimono（和服）的可能性是 0.86。gown（長外衣；外罩）0.05.
如果是一些簡單的圖片，例如鍵盤，鼠標，水杯等，識別準確度還是蠻靠譜的。
神經網絡的如果要用圖來表示的話，應該就是下面這個樣子的。最左邊的是輸入，最右邊的是輸出。然后中間有很多隱藏層。
這個圖中隱藏層只有一層，但是大部分用于真實計算的神經網絡，都會有很多隱藏層。
無論是簡單的，還是復雜的神經網絡，其中最小的單元就是感知器。
對于感知器的介紹，可以參考網絡上的文章:
零基礎入門深度學習(1) - 感知器
既然是白話，那么我們就用講故事的方法來說一下。(假設讀者已經閱讀了上面的文章)
假設有一次考試，分為語文，數學，英語，滿分都是100分。但是，語文，數學，英語占的權重（weight）不一樣。同時，我們還需要根據考試難度，在最后總分上面，進行一些加分或者減分的調整(bias)。最后，根據一個標準（激活函數 Step Function）來定考試合格或者不合格（output）。
如果教務處說，我們是外國語學校，對于英語成績比較看重，則我們給予這樣的英語比較高的權重。
X1：語文成績 W1：0.3
X2：數學成績 W2：0.2
X3：英語成績 W3: 0.5
然后，由于這次考試難度比較高，則每個人都加5分 （這個其實叫做 偏置項 bias）
X0 = 1 W0 = 5
成績 = X0 * W0 + X1 * W1 + X2 * W2 + X3 * W3
然后，如果成績為60分及以上則為合格。（激活函數 Step Function）
如果 成績 >= 60 ,則合格
成績 < 60 ,則不合格
OK，這樣一個簡單的感知機就做成了。在權重（W0，W1，W2，W3）和 Step Function（合格標準）定下來的時候，它可以根據輸入（各科成績），求得輸出（是否合格）了。
例如：
語文成績 50 * 0.3 = 15
數學成績 40 * 0.2 = 8
英語成績 80 * 0.5 = 40
附加分 5
成績 15 + 8 + 40 + 5 = 68 =>合格
語文成績 80 * 0.3 = 24
數學成績 50 * 0.2 = 10
英語成績 40 * 0.5 = 20
附加分 5
成績 24 + 10 + 20 + 5 = 59 => 不合格
當然，一般來講，感知機往往是激活函數（StepFunction）是事先決定的，作為訓練數據的輸入，輸出是已知的，權重則是需要通過機器學習來獲得的。我們的例子中，合格標準是事先決定的，60分及格，然后給出一部分數據：某些人的語文成績，數學成績，英語成績 ，是否合格，然后通過機器學習，將各科的權重計算出來，獲得一個模型。然后利用這個模型，通過輸入 語文成績，數學成績，英語成績，來判定是否合格。
當然，如果在訓練數據比較少的時候，這個權重可能計算的不是很準確，數據越多，權重越準確。
語文成績 50 數學成績 40 數學成績 40 附加分 5 合格
語文成績 80 數學成績 50 數學成績 40 附加分 5 不合格
能夠滿足這樣條件的權重有很多很多，所以機器學習的結果可能不是很好。
但是如果有足夠的數據，則權重的計算結果則會非常理想。
最后再回來說一下，為什么叫感知機，其實最簡單的，最原始的時候，感知機的輸出就是 0（不合格） 或者 1（合格）.結果能被感知，或者不能被感知。當然，隨著研究的深入，則輸出形式也越來越豐富了，不僅限于是否，也可以是數值或者其他形式的東西。例如，感知機做線性回歸的時候，則是數值作為輸出。
