📚 文章 ( 📝 字数： 403 ⏱ 阅读时间： 1 分钟 )

系列文章见: 《回忆AI时代-从图灵机到人工智能》

M-P神经元案例

假如，我们让计算机判断今天适不适合去七骑车？用M-P神经元的案例，我们给神经元三个输入X1、X2、X3，如果神经元会输出0~1间，譬如0.95 非常适合汽车。以下为Python示例。

import numpy as np

# 输入
x = np.array([1, 1, 1])

# 权重
w = np.array([2.0, 0.8, 3.0])

# 阈值
theta = 5

# 计算点积（加权和）
s = np.dot(x, w)

# M-P神经元
if s >= theta:
    y = 1
else:
    y = 0

print("加权和：", s)
print("输出：", y)

案例解释：

• 1. np.array() 创建向量
• 2. np.dot() 计算点积
• 3. 输入表示：

     输入	含义	当前值
     x1	天气晴	1
     x2	周末	1
     x3	身体状态好	1

结构：

x1 ----\
         \
x2 ------> 神经元 --> <判断> -> 0 不适合骑行 
         /              |----> 1 适合骑行
x3 ----/

• 4. 权重对应的含义：

     输入	权重	含义
     x1	2.0	天气
     x2	0.8	周某
     x3	3.0	身体状态

• 5. 阈值（Threshold）,当加权和≥5 时输出1否者为0。
• 6. 实际计算过程：

  1 × 2.0
+ 1 × 0.8
+ 1 × 3.0
----------
    5.8

• 7. 打印结果：

加权和： 5.8
输出： 1

表示适合骑行。

骑行案例

骑行案例，条件越好，越适合骑车。这里符合一种规律好的因素越多，结果越偏向"适合骑车。

天气	周末	身体	是否适合骑车
晴	是	好	✅
晴	否	好	✅
雨	否	差	❌

所以通过神经元画一条分界线就能区分：

      适合骑车
        ● ● ●

-----------------  ← 一条直线

      ● ●
    不适合骑车