使用NAND感知器的简单权重（-1，-1）和偏差（2）

Question

在大多数关于感知器的研究材料中，感知器的定义是这样的。

如果w，

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

（上述公式中的点'。'代表点积。）

在我看到的NAND感知器的大多数例子中，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NAND感知器定义如下。

• w = [-1，-1]，b = 2

这证明它像NAND感知器一样工作。

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？有没有具体原因为什么现有文本不使用这样的简单NAND感知器？

Answer 1

因为在样本数据附近绘制判别边界不是一个好习惯：