Deep
?
~
?learning
使用方法
先讲使用方法。对于线性分类器我们首先需要明确的是它的需求或者功能。故名思意，就是分类所以对于一个线性的二分类器(就是分类是或者不是)的话，我们的输入就是对于一个物体的特征描述(图片，或者是文字或者是任何东西)。得到的输出应该是分类器对于这个物体的判断(往往我们用相似概率来描述)。就像在这个图中：
input:物品图像.
output:应该是是某个物体的概率p.
A：则是一个线性神经元。
线性神经元
可以发现，在上图的“网络”中发挥作用的就是一个线性神经元，这个线性神经元的输出也即是物品概率ooutput。
神经元是指在网络中发挥作用的最小单位。而线性则是指其计算方法是线性的。也就是说，这个神经元的计算公式为：
y
=
k
x
+
b
y=kx+b
y=kx+b
就是说，输入为x，输出为y。根据常识可以知道，对于输入的x应该是属于任意实数，所以得到的y也应该属于任意实数。所以单个神经元输出的y并没有办法直接表示为物体概率，所以还要在A与output之间在加上一个激活函数，将y转化到为[0,1]的区间范围所以完整图应该是这样：
这里的sigmoid函数为：
1
1
+
e
?
x
\frac{1}{1+e^{-x}}
1+e?x1?
函数图像为：
可以看到，该函数的值域为(0,1)对于输出一个物品的概率来说是较为合适的。这个函数叫做激活函数或者传递函数在后面的文章中我们会看到更多。
到这我们知道先通过线性神经元得到一个y，再通过激活函数就可以将y转为我们对于这个物体的概率。
现在问题就回到了找到一组合适分类该物体的线性神经元A,也就是要根据A输出的值来调整A中的特征值训练过程如图：
至于如何优化以后的文章在讲。
当A这个神经元训练完成之后，就可以用于分类该物体了。