感知机学习：自动化调参
本节要解决什么问题
后端工程师都知道配置参数的重要性：连接池大小设多少、超时阈值设多少、重试次数设几次。传统做法是靠经验拍脑袋，或者靠反复压测调出来。
神经网络的参数（权重 w 和偏置 b）也是"配置"，只不过这个"配置"不是工程师写的，而是通过梯度信息自动调整出来的。这个自动调整的过程就是"学习"。感知机（Perceptron）是理解这个过程最简单的单元。
这个工具/机制是怎么工作的
感知机的计算结构
感知机是神经网络的基本单元：
y = f(w · x + b) 其中：
- x：输入特征（工程师已知）
- w：权重（学习得到）
- b：偏置（学习得到）
- f()：激活函数
你可以把它理解为一个 API 网关的路由规则：
- w 决定每个输入特征的重要程度（类似权重路由配置）
- b 决定触发阈值（类似最小请求量阈值）
- f() 决定满足条件后怎么响应
学习的过程：梯度下降
学习分四步，循环往复：
1. 前向传播：输入数据 → 计算当前预测
2. 计算损失：预测和真实答案差多少
3. 反向传播：计算每个参数对损失的"责任"（梯度）
4. 参数更新：按梯度方向调整参数
以 ReLU 为激活函数为例：
ŷ = Σ_i a_i · ReLU(w_i · x + b_i) + c 这本质上是多个分段线性函数的叠加。每个 ReLU 在某个位置（折点）之前输出 0，之后输出线性增长。多个 ReLU 组合起来，就是一条有多个折点的分段线性曲线。
y
│ /
│ __/ ← 多个 ReLU 叠加后的效果
│ __/
│ __/
│ __/ ← 第一个 ReLU 开始激活
│__/ ← 所有 ReLU = 0（常数段）
└─────────────────── x
为什么能逼近复杂函数
一个 ReLU 在一维情况下只能画一条折线。但当你有足够多的 ReLU 时：
- 每个 ReLU 提供一个折点和一段斜率
- 多个 ReLU 的输出相加，就是多段不同斜率的线拼接
- 最终得到任意形状的分段线性函数
用后端工程师的类比：单个 if-else 规则很简陋，但当你有一千条精细的规则组合起来，就能描述极复杂的业务逻辑。
理论上可以证明：用足够多的 ReLU，可以在任意有限区间内以任意精度逼近任何连续函数（包括抛物线、三角函数等）。
什么是"折点"
折点是 ReLU 从 0 变为线性的临界位置：t = -b/w
注意：折点不是独立参数，而是权重 w 和偏置 b 的比值。训练过程中，你只调整 w 和 b，折点位置是随之产生的副产物。
形式化
单层感知机：y = f(Wx + b)
多 ReLU 网络的输出：f(x) = Σ a_i · ReLU(w_i x + b_i) + c
梯度下降参数更新：w ← w - η · ∂L/∂w
其中 η 是学习率（类似"配置变更的影响范围"），∂L/∂w 是损失对权重的梯度。
本节小结
神经网络通过梯度信息自动调整权重和偏置，本质上是把"人工调参"变成"数据驱动的自动调参"。单个 ReLU 生成折线，多个 ReLU 叠加可以逼近任意复杂函数。感知机的学习过程就是反复执行：预测 → 算损失 → 传梯度 → 调参数，直到损失足够小。