感知器的输入
Inputs for a Perceptron
好的伙计们。请耐心等待。当向感知器提供输入以进行分类时，[X_0、X_1] 表示来自二维 space 的数据点 (x,y)。正确吗？
那么，如果我们输入 [X_0, X_1, X2]，我们可以说这表示 (x,y,z) 来自 3 维 space 的数据点？我们甚至可以说这些输入表示输入表示来自一维 space 的三个不同数据点吗？
此外，如果我们输入四个向量，如[X_0、X_1、X_2]、[X_3、X_4、X_5]、[X_6、X_7、X_8] 和 [X_9、X_10、X_11]。一种用法解释是说我们试图通过我们的感知器一次对三维 space 中的四个数据点进行分类？
只要特征 X_0、X_1 和 X_2 不相同，它们就定义了不同的维度，因为它们具有不同的含义，甚至可能不是相同的单位。
您可以将任意数量的数据点传递给感知器，但特征数量（每个数组的条目数量）必须始终相同。在您的示例中，X_0、X_3、X_6 和 X_9 必须是不同对象的相同特征，因为它们是从感知器以相同方式处理的。
好的伙计们。请耐心等待。当向感知器提供输入以进行分类时，[X_0、X_1] 表示来自二维 space 的数据点 (x,y)。正确吗？
那么，如果我们输入 [X_0, X_1, X2]，我们可以说这表示 (x,y,z) 来自 3 维 space 的数据点？我们甚至可以说这些输入表示输入表示来自一维 space 的三个不同数据点吗？
此外，如果我们输入四个向量，如[X_0、X_1、X_2]、[X_3、X_4、X_5]、[X_6、X_7、X_8] 和 [X_9、X_10、X_11]。一种用法解释是说我们试图通过我们的感知器一次对三维 space 中的四个数据点进行分类？
只要特征 X_0、X_1 和 X_2 不相同，它们就定义了不同的维度，因为它们具有不同的含义，甚至可能不是相同的单位。
您可以将任意数量的数据点传递给感知器，但特征数量（每个数组的条目数量）必须始终相同。在您的示例中，X_0、X_3、X_6 和 X_9 必须是不同对象的相同特征，因为它们是从感知器以相同方式处理的。