---
title: "感知器（Perceptron）"
slug: perceptron
language: zh-TW
source: https://aiterms.tw/terms/perceptron
updated_at: 2026-04-29
tags: [機器學習, 神經網路, AI基礎, 模型訓練, 數學基礎, iPAS初級]
ipas_term: false
---

# 感知器（Perceptron）

> **你有沒有想過，最簡單的神經網路怎麼先把兩類東西分開？**
>
> 你可以把 感知器 想成 模型學到的就是這些數值。
>
> 訓練真正改變的，就是參數，一條線先切出兩類，這就是感知器的核心 這件事就特別重要。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **感知器 vs 深度學習神經網路**
>
> 感知器像一個單細胞生物，只能做最簡單的判斷；深度學習像一個大腦，由多個層次感知器組成，能處理非常複雜的模式和任務。
>
> 最關鍵的區別：一個是模型學到的值，一個是人先設的值。
>
>
> **感知器 vs 超參數**
>
> 參數是模型自己學出來的數值，超參數是人先設好的設定
>
> 最關鍵的區別：一個靠訓練學，一個靠人先決定。

### 記住這句就好
> 一條線先切出兩類，這就是感知器的核心

### 實際案例
> **案例 1：用感知器把可分的郵件分成垃圾和正常**
>
> 這種情況下，感知器 會幫你把原本手工或靠直覺的步驟變得更穩。
>
>
> **案例 2：教學時拿它示範線性分類和權重更新**
>
> 另一個常見場景也能看出 感知器 的價值，因為它處理的是同一種核心問題。

### 算法與應用
> 核心意思就是：一條線先切出兩類，這就是感知器的核心。
>
> 神經網路裡的權重和偏差都屬於參數
>
> 訓練時會透過損失函數和梯度下降去調整它們

### 情境判斷
> **Q1（直覺題）：** 用感知器把可分的郵件分成垃圾和正常 這種情況，會先想到 感知器 嗎？
>
> → 會，因為它正好在處理這件事的核心問題，只是還要看資料乾不乾淨、流程穩不穩。
>
>
> **Q2（判斷題）：** 參數多就一定比較好嗎？
>
> → 看情況，參數多代表容量大，但資料和訓練不夠時也更容易過擬合

### 常見問題
> **Q：感知器和邏輯迴歸有什麼區別？**
> 感知器使用階躍函數或符號函數作為激活函數，輸出二元結果，而邏輯迴歸使用 Sigmoid 函數，輸出概率值。
> 感知器主要用於線性可分問題，邏輯迴歸則更適用於概率預測和非線性問題。
>
> **Q：感知器如何處理非線性可分的問題？**
> 感知器本身無法處理非線性可分的問題。
> 解決方案是使用多層感知器（MLP），即包含多個感知器層的神經網路。
> 通過引入隱藏層，MLP 可以學習到非線性決策邊界，從而解決非線性可分的問題。
>
> **Q：感知器的學習率如何影響訓練效果？**
> 學習率控制權重更新的幅度。
> 過大的學習率可能導致訓練過程不穩定，權重在最優解附近震盪，甚至發散。
> 過小的學習率則會導致訓練速度過慢，需要更多的迭代次數才能收斂。
> 因此，需要仔細調整學習率，以獲得最佳的訓練效果。

### 相關術語
> - **機器學習**：看完這個再讀它，會更容易把概念串起來
> - **演算法**：看完這個再讀它，會更容易把概念串起來
> - **監督式學習**：看完這個再讀它，會更容易把概念串起來
> - **前饋神經網路**：看完這個再讀它，會更容易把概念串起來
> - **梯度下降**：看完這個再讀它，會更容易把概念串起來

---

來源：https://aiterms.tw/terms/perceptron
快查頁：https://aiterms.tw/terms/perceptron
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-perceptron