如果你爬过山，怎会不了解机器学习？(9)

每一列被称为一层，图6中的网络有两层，第一层有两个盒子，第二层有一个盒子。你先向这个神经网络输入两个数字，分别对应第一层的两个盒子。以下是有可能发生的情况：
1. 两个输入都不小于 0.5。第一层的两个盒子都输出 1，当这两个数字沿着箭头移动时，都变为 1/3，所以第二层的盒子接收到 2/3 作为输入，并输出 1。
2. 一个输入不小于 0.5，另一个输入小于 0.5。那么，两个输出分别是 1 和 0，所以第二层的盒子接收到 1/3 作为输入，并输出 0。
3. 两个输入都小于 0.5。那么，第一层的两个盒子都输出 0，第二层的盒子也输出 0。
换句话说，这个神经网络是一台机器，它接收到两个数字作为输入，并告诉你它们是否都大于0.5。
图7是一个略显复杂的神经网络。

图7
该神经网络的第一层有51个盒子，它们都向第二层的那个盒子输入数字。但箭头上的权重不同，最小的权重为 3/538，最大的权重为55/538。这台机器在做什么？它将51个不同的数字作为输入，并激活每个输入大于0.5的盒子。然后，它对这些盒子进行加权计算，检验它们的和是否大于0.5。如果是，就输出1；如果不是，则输出 0。
我们可以把它称作“两层罗森布拉特感知机”，但它还有一个更常用的名称——“选举人团制度”。51个盒子代表美国的50 个州和华盛顿特区，如果共和党候选人在某个州获胜，代表该州的盒子就会被激活。把所有这些州的选举人票数加总后除以538，如果结果大于0.5，共和党候选人就是赢家。
图8是一个更现代的例子，它不像选举人团制度那样易于用语言来描述，但它与驱动机器学习不断进步的神经网络更加接近。