一般习惯于把学习率eta写在前面。

这个问题比较高深

y 的[0:99]即可

如果能分享一下源码就好了

感知器其实就是一个函数，其表示形式可以写成

f(x)=sign(dot(w,x)+b)//dot(w,x)表示求两个向量的点积

上式中,w是权重(weigh)向量，b叫做偏置（bias）

本教程中的w0就是上面式子里的偏置b.
dot(w,x)+b又可以写成 dot(w,x)+b*1，

这里令W=[b,w1,w2,...,wn]   ,令X=[1,x1,x2,...,xn],所以初始化W的长度为n+1,多出来的那个就是偏置啦

希望能帮到你~

相当于[1,1,1……1].dot(errors),所有的x0都被初始化为1了，所以跟sum函数的意思一样，老师就直接写成sum了

原理是△wj的公式（不方便打）中y(i)-φ （z(i)）是errors ,根据求和得到errors.sum()。errors.sum()中的每一个值再与self.eta（学习率）想相乘，也就是△w(w:=w+△w)，而self.w_[0]就是w.也就是对△wj公式和w:=w+△w公式的一个推导。

cost这个变量，记录的是每一轮迭代中代价函数的值，而本案例中使用的是方差总和来衡量代价总量。具体见代码：

for _ in range(n_iter):
    ...
    errors = y - output
    cost = (errors ** 2).sum()
    cost_.append(cost)
    ...

反向传播调整权重的目的，是为了让代价函数的值最小。案例中体现在随着训练次数的增加，从第1次到第50次，总代价的快速下降。