概述
分类是机器学习的一个核心问题，分为：
- 二分类
- 多分类
感知机是解决 分类问题 的
许多机器学习方法都是可以用来解分类问题，比如：感知机、朴素贝叶斯、支持向量机、决策树、逻辑回归、AdaBoost、神经网络等等
神经元
神经元（neuron），如下图：
树突 为神经元的 输入 通道，其功能是将其他神经元的动作电位传递至细胞体
神经细胞 可以视为有 两种状态 的 机器，激活时为 “是”，不激活时为 “否”。
神经细胞的状态取决于从其他神经细胞接收到的信号量，以及 突触 的性质（抑制 或 加强）。当信号量超过某个 阈值 时，细胞体就会被 激活，产生电脉冲。电脉冲沿着轴突并通过突触 传递 到 其它 神经元
总结：
神经元 有 输入 和 输出，有两种状态：激活，不激活。当输入信号达到一个阈值时，就会激活，然后传递给下一个神经元
感知机（器）
受到 神经元 的启发，提出 感知机 ，也就是说 感知机 就相当于 神经元
有n个 输入数据，通过 权重 与 各数据 之间的 求和，比较 激活函数 结果，得到输出结果
单个感知机
可以很方便的实现 与、或、非 运算
感知机 （perceptron）， 是一种 线性二分类 模型（即输出为两个状态，解决二分类的问题），数据必须是 线性可分，如下图：
线性可分与线性不可分参见：
https://www.malaoshi.top/show_1EF3qt9uiJkI.html
单个感知机 缺点
无法解决 非线性 问题，当 线性不可分 时无法解决
1. 缺点一
单个感知机，也就是一条直线实现分类，无法解决 异或 问题
异或参见：
https://www.malaoshi.top/show_1EF3qmDVHxbO.html
如下面两个图，是需要 多条直线 才能解决
为了将红色点(0,0)，(1,1)和绿色点(0,1)，(1,0)进行分类，不论按上面左图还是右图，都需要两条线才能实现，而一个感知机只能实现一条线，所以无法解决 异或 问题
2. 缺点二
当直线无法解决时，需要让 直线弯曲
解决 单个感知机 缺点
1. 多个感知机 解决 多分类
为了解决多分类问题，使用多个感知机，如下图：
2. 多层感知机 解决 线性不可分
大量的分类问题是 线性不可分，单层感知机无法解决这类问题
多层感知机（器）
生物神经网络
受到生物神经网络的启发，一个神经元接收信号量超过某个 阈值 时，细胞体就会被 激活，产生电脉冲。电脉冲 传递 到 其它 神经元
多层感知机（器）
为了让感知机解决 线性不可分 问题，在 输入层 和 输出层 之间 插入更多的 感知机，称之为：隐层 ，如下图
注意：
- 输入层 不是 感知机
- 中间的 隐层 可以有多层感知机，统称为 隐层
感谢：
https://blog.csdn.net/tkingreturn/article/details/39640063
https://blog.csdn.net/w576233728/article/details/80318933
https://wenku.baidu.com/view/30e9d6ed80c758f5f61fb7360b4c2e3f57272515.html
https://blog.csdn.net/program_developer/article/details/78704224