感知器模型包含在一组神经网络模型中。

（单层）感知器是作为线性二元分类器工作的单层神经网络。作为一个单层神经网络，它可以在不使用更高级的算法（如反向传播）的情况下进行训练，而是可以通过按照学习率指定的步骤“逐步接近”你的错误来进行训练。当有人说感知器时，我通常会想到单层版本。

但是，如果您谈论的是多层感知器，则该术语与前馈神经网络相同。

是的，有——“感知器”指的是一种特定的监督学习模型，由 Rosenblatt 在 1957 年提出。感知器是一种特殊类型的神经网络，实际上作为一种已开发的神经网络类型在历史上具有重要意义。还有其他类型的神经网络是在感知器之后发展起来的，并且神经网络的多样性继续增长（尤其是考虑到当今深度学习的前沿和时尚）。

感知器学习过程不能推广到隐藏层

• 感知器收敛过程的工作原理是确保每次权重发生变化时，它们都更接近每个“非常可行”的权重集。

– 这种类型的保证不能扩展到更复杂的网络，其中两个好的解决方案的平均值可能是一个坏的解决方案。

• 因此“多层”神经网络不使用感知器学习过程。

– 它们不应该被称为多层感知器。

-参考 Coursera.org - 神经网络课程 - 第 3 周

正如@Nick 提到的Preceptron是一个单层神经网络，它使用基于常识的手写程序来定义特征。该特征用作网络的输入，然后基于此做出二元决策。

[图像和解释基于 Coursera 中的 Hinton Slide]