对于一个给定的感知器来说，它的权重和阈值也是给定的，代表一种决策策略。因此，我们可以通过调整权重和阈值来改变这个策略。
关于阈值threshold，这里需要指出的一点是，为了表达更方便，一般用它的相反数来表达：b=-threshold，这里的b被称为偏置（bias）。
这样，前面计算输出的规则就修改为：如果w1x1+w2x2+w3x3+...+b0，则输出output=1，否则输出output=0。
而权重w1=w2=-2，则b=3。
很明显，只有当x1=x2=1的时候，output=0，因为(?2)*1+(?2)*1+3=?1，小于0。而其它输入的情况下，都是output=1。
所以在实际情况下，这其实是一个“与非门”！
在计算机科学中，与非门是所有门部件中比较特殊的一个，它可以通过组合的方式表达任何其它的门部件。这被称为与非门的普适性(GateUniversality)。
既然感知器能够通过设置恰当的权重和偏置参数，来表达一个与非门，那么理论上它也就能表达任意其它的门部件。
因此，感知器也能够像前面三体中的例子一样，通过彼此连接从而组成一个计算机系统。
但这似乎没有什么值得惊喜的，我们已经有现成的计算机了，这只不过是让事情复杂化了而已。
单个感知器能做的事情很有限。要做复杂的决策，所以则是需要将多个感知器连接起来。
而实际中的网络可能会有上万个，甚至数十万个参数，如果手工一个一个地去配置这些参数，恐怕这项任务永远也完成不了了。
而神经网络最有特色的地方就在于这里。
我们不是为网络指定所有参数，而是提供训练数据，让网络自己在训练中去学习，在学习过程中为所有参数找到最恰当的值。
大体的运转思路是这样：我们告诉网络当输入是某个值的时候，我们期望的输出是什么，这样的每一份训练数据，称为训练样本（trainingexample）。
这个过程相当于老师在教学生某个抽象的知识的时候，举一个具体例子：
一般来说，我们举的例子越多，就越能表达那个抽象的知识。这在神经网络的训练中同样成立。
我们可以向网络灌入成千上万个训练样本，然后网络就自动从这些样本中总结出那份隐藏在背后的抽象的知识。
这份知识的体现，就在于网络的所有权重和偏置参数的取值。
假设各个参数有一个初始值，当我们输入一个训练样本的时候，它会根据当前参数值计算出唯一的一个实际输出值。
这个值可能跟我们期望的输出值不一样。想象一下，这时候，我们可以试着调整某些参数的值，让实际输出值和期望输出值尽量接近。
当所有的训练样本输入完毕之后，网络参数也调整到了最佳值，这时每一次的实际输出值和期望输出值已经无限接近，这样训练过程就结束了。
假设在训练过程中，网络已经对数万个样本能够给出正确（或接近正确）的反应了，那么再给它输入一个它没见过的数据，它也应该有很大概率给出我们预期的决策。这就是一个神经网络工作的原理。
但这里还有一个问题，在训练过程中，当实际输出值和期望输出值产生差异的时候，要如何去调整各个参数呢？
当然，在思考怎么做之前，也应该先弄清楚：通过调整参数的方式获得期望的输出，这个方法行得通吗？
实际上，对于感知器网络来说，这个方法基本不可行。
比如在上图有39个参数的感知器网络中，如果维持输入不变，我们改变某个参数的值，那么最终的输出基本完全不可预测。
它或者从0变到1（或从1变到0），当然也可能维持不变。这个问题的关键在于：输入和输出都是二进制的，只能是0或者1。
如果把整个网络看成一个函数（有输入，有输出），那么这个函数不是连续的。
因此，为了让训练成为可能，我们需要一个输入和输出能够在实数上保持连续的神经网络。于是，这就出现了sigmoid神经元。
sigmoid神经元(sigmoidneuron)是现代神经网络经常使用的基本结构（当然不是唯一的结构）。它与感知器的结构类似，但有两个重要的区别。
第一，它的输入不再限制为0和1，而可以是任意0~1之间的实数。
第二，它的输出也不再限制为0和1，而是将各个输入的加权求和再加上偏置参数，经过一个称为sigmoid函数的计算作为输出。
具体来说，假设z=w1x1+w2x2+w3x3+...+b，那么输出output=σ(z)，其中：σ(z)=1(1+e-z)。
本小章还未完，请点击下一页继续阅读后面精彩内容！