单层神经网络，也被称为感知器（Perceptron），是最简单的神经网络模型。它由输入层和输出层组成，没有隐藏层。我们通过一个简单的例子来说明单层神经网络的工作原理。

【资料图】

假设我们要使用一个单层神经网络来实现一个二进制输入的逻辑AND运算。逻辑AND运算接受两个输入（0或1），当且仅当两个输入都为1时，输出为1，其他情况下输出为0。

单层神经网络的结构如下：

1. 输入层：有两个节点，分别接收输入x1和x2，代表二进制输入。

2. 输出层：有一个节点，用于输出结果y，代表二进制输出。

神经网络的工作过程：

1. 初始化权重和偏置：权重w1、w2和偏置b是神经网络的参数。我们可以随机初始化这些参数，然后通过训练来优化它们。例如，我们可以初始化w1=1，w2=1，b=-。

2. 计算加权和：神经网络接收输入x1和x2后，计算加权和，即z = w1 * x1 + w2 * x2 + b。加权和表示输入的线性组合。

3. 激活函数：我们使用阶跃函数（Step function）作为激活函数。阶跃函数的定义是：当z大于等于0时，输出1，否则输出0。用数学表示就是：y = 1 (z >= 0)，y = 0 (z < 0)。

现在我们来看看神经网络如何处理逻辑AND运算：

1. 输入x1=0, x2=0：加权和z = 1 * 0 + 1 * 0 - = -，阶跃函数输出y = 0 (因为z < 0)。

2. 输入x1=0, x2=1：加权和z = 1 * 0 + 1 * 1 - = -，阶跃函数输出y = 0 (因为z < 0)。

3. 输入x1=1, x2=0：加权和z = 1 * 1 + 1 * 0 - = -，阶跃函数输出y = 0 (因为z < 0)。

4. 输入x1=1, x2=1：加权和z = 1 * 1 + 1 * 1 - = ，阶跃函数输出y = 1 (因为z >= 0)。

从上面的例子可以看出，单层神经网络成功实现了逻辑AND运算。这个简单的网络模型可以应用于线性可分问题，但对于更复杂的非线性问题，我们需要使用多层神经网络。

关键词：