感知机是对神经元的模仿，是人工智能最早的模型，是一种有监督的学习算法，本质是一个二分类问题，是神经网络和支持向量机的基础
缺点：只能解决单纯的线性问题
过程：
多层感知机
结构主要包含输入层，隐藏层和输出层，可以用于拟合非线性函数。
激活函数：激活函数是一种在人工智能神经的神经单元上运行的函数，旨在帮助网络学习数据中的复杂模式，负责将神经元节点的输入映射到输出端。
常见激活函数：Sigmoid函数，Tanh函数，ReLU函数等等。
Sigmoid函数是深度学习和机器学习中常用的一种激活函数，它将实数映射到(0, 1)区间，具有S形曲线，可用于二分类。输出不是0均值，存在梯度消失情况。
Tanh函数：解决了不是0均值的问题，在特征相差明显时效果更好，循环过程中不断扩大特征效果。
存在梯度消失问题。
ReLU激活函数：计算速度快，收敛速度快，解决了梯度消失问题。
BP神经网络算法
Back Propagation神经网络是一种按误差逆传播算法训练的多层神经网络，正向传播求损失(与正确的差别)，反向传播回传误差（学习差别，积累经验）, 根据误差信号修正每层的权重。
