AGI（通用人工智能）推进过程中有两种影响深远的技术路线
损失函数 Loss Function：用来衡量模型预测结果与真实结果之间的差距。损失值越小，模型预测越准确；损失值越大，模型预测越差。通过对损失函数求导来寻找最小值。
损失梯度 Loss Gradient：损失函数对模型参数的导数（正常情况下是偏导数），告诉你要怎么改才好。
感知机：最早的神经网络模型之一，本质上是一个二分类线性模型，用于判断一个样本属于哪一类。
感知机结构：
输入特征：x =（x1, x2,…,xn）
对应权重：w = (w1, w2,…,wn)
偏移量：b
感知机输出：y=sign(w * x+ b);
其中w * x = w x从1到n的求和
sign函数定义：sign(z) = { +1 , z ≥ 0; -1, z < 0} 简单来说，结果大于0，说明是可信的激活状态，结果小于0，说明是不可信的未激活状态。
线性可分：能够找到一条直线、一个平面或者超平面将正负样本完全分开，那么数据就是线性可分的。感知机可收敛，经过调整权重能找到分割性
线性不可分：无论怎样都无法将两类数据分开（例如异或）。感知机无法收敛，怎么调整都会分错
单层感知机无法解决线性不可分问题，构建如下多重感知机，可解决线性不可分。（多层神经网络的由来）
多重感知机训练调整流程
反向传播：通过“误差反馈”调整权重，优化精度