对 NAND 感知器使用简单的权重 (-1, -1) 和偏差 (2)

Question

在大多数关于感知器的研究material中，感知器是这样定义的。

如果 w 则输出 = 1。 x + b > 0 如果 w 则输出 = 0。 x + b <= 0

（上面公式中的点'.'表示点积。）

在我见过的大多数NAND感知器的例子中，NAND感知器是定义如下：

w = [-2, -2], b = 3（来源：http://neuralnetworksanddeeplearning.com/chap1.html）
w = [-1, -1], b = 1.5（来源：http://users.monash.edu/~app/CSE5301/Lnts/LbD.pdf）
w = [-0.6, -0.6], b = 1（来源：http://toritris.weebly.com/perceptron-2-logical-operations.html）

我将我的 NAND 感知器定义如下。

w = [-1, -1], b = 2

这是它像 NAND 感知器一样工作的证据。

x0 x1 | w0 * x0 + w1 * x1 + b | output
------+-----------------------+-------
0  0  | 2                     | 1
0  1  | 1                     | 1
1  0  | 1                     | 1
1  1  | 0                     | 0

这是一个有效的 NAND 感知器吗？现有文本不使用像这样的简单 NAND 感知器有什么具体原因吗？

Answer 1

因为在样本数据附近绘制判别边界不是一个好的做法：

对 NAND 感知器使用简单的权重 (-1, -1) 和偏差 (2)

Using simple weights (-1, -1) and bias (2) for NAND perceptron

math

perceptron

neural-network