引言：感知机诞生于 1958 年，是人们对“神经元”的第一次数学建模，也是今天每一个深度网络神经元的原型。本文从生物神经元讲到感知机，把错误驱动更新规则、收敛定理和线性分类的局限一次讲透，最后给一份带注释的 C++ 实现。（个人主页：https://wobuhuang.com）

一、从生物神经元到感知机

生物神经元接收多路信号，加权累加后超过阈值就“激活”。感知机把这一过程数学化：对输入 x 做加权求和，再过一个符号函数 sign，输出 +1 或 −1。模型就是 sign(w·x + b)，而 w·x + b = 0 这条线（高维是超平面），就是它学到的决策边界：一侧判为 +1，另一侧判为 −1。

二、错误驱动的更新规则

感知机最优雅的地方在于：只在分错的样本上更新，分对的点完全不动。规则是 w += lr · label · x，把边界朝“能分对这个点”的方向推一点。每遇到一个被分错的点，就把那条线朝它该在的一侧旋转/平移一点，反复几轮，线就稳稳卡进两类中间。

三、收敛定理：线性可分时一定停

感知机收敛定理保证：只要两类数据线性可分，这套“错了才改”的流程一定能在有限步内把两类完全分开，得到“一整轮都没有分错”的收敛状态。在码路星球的可视化里，一条故意分错很多的初始边界，会一步步旋转纠正，最终全部分对。

四、线性不可分的局限：异或问题

反过来，如果数据线性不可分（最经典的就是异或 XOR），一条直线无论怎么转都分不开，感知机就会永远震荡、不收敛。这正是历史上单层感知机被诟病的硬伤——工程上必须设最大轮数，或者干脆换模型。

五、完整 C++ 实现（带注释）

void train(vector<Point>& pts, double lr) {
  w1 = w2 = b = 0;                          // 权重与偏置初始化为 0
  do {
    wrong = 0;                              // 本轮错分计数清零
    for (auto& p : pts) {                   // 遍历每个样本
      int pred = sign(w1*p.x + w2*p.y + b); // 预测类别：+1 或 -1
      if (pred != p.label) {                // 分错了才更新
        w1 += lr * p.label * p.x;           // 朝正确方向调整 w1
        w2 += lr * p.label * p.y;           // 调整 w2
        b  += lr * p.label;  wrong++;       // 调整 b，边界被推动
      }
    }
  } while (wrong > 0);                       // 全分对（本轮 0 错）→ 收敛
}

复杂度：时间 O(n · 更新轮数)，空间 O(d)。几个工程坑：线性不可分时永远不收敛，要设最大轮数；它只找“一条能分开的线”，不保证间隔最大（那是 SVM 的事）；对特征尺度敏感，建议先归一化；结果还依赖样本顺序与初始权重。

六、引出多层感知机

单层感知机的天花板就是“只能画一条直线”。要解决异或这类线性不可分问题，就得叠加多层、引入非线性激活，再用反向传播来训练——这就是**多层感知机（MLP）**和深度学习的起点。

小结：感知机 = 加权求和 + 符号函数 + 错误驱动更新。线性可分则有限步收敛，线性不可分则震荡——它的优雅与局限，都浓缩在那一句 w += lr·label·x 里。

在码路星球里，这条会自己旋转的决策边界可以一步步看动画：每次更新都看得见边界往哪边推。（个人主页：https://wobuhuang.com）

感知机 / Perceptron / 机器学习 / 线性分类 / 神经网络 / 收敛定理 / C++ / 算法可视化