一句话定义：感知机（Perceptron）是最早的、能"自己学参数"的二分类模型——它把若干输入各自乘上一个权重（weight）加起来，超过某个门槛就输出 1，否则输出 0。
它到底怎么工作
打个比方：银行审批贷款，派了一位只会打分的门卫。收入、工作年限、负债三个指标，各自乘上一个"重要性系数"，加总后再减去一个门槛（偏置，bias）。总分过线就盖章通过，不过线就退回。一开始权重是随机的，门卫判错一笔，就按错误方向微调系数——错得越离谱，调得越多。这就是感知机的学习规则，简单到可以用几行代码写完。
1950 年代末，Rosenblatt 造出这套规则时，人们一度以为机器"学会思考"指日可待。后来证明，只要数据是线性可分（linear separability）的——也就是能用一条直线（高维时是一个超平面）把两类点切开——感知机一定能在有限步内收敛到正确解，这个结论叫感知机收敛定理。注意关键词：只要线性可分。
XOR 困境：一盆冷水
异或（XOR）是个再简单不过的逻辑：两个输入相同输出 0，不同输出 1。把四种组合画在平面上，(0,0)、(1,1) 在一组，(0,1)、(1,0) 在另一组。你会发现：无论怎么画直线，都没法把这两组分开。单层感知机做不到，因为它天生只会画直线。
1969 年 Minsky 和 Papert 在《Perceptrons》里把这类限制系统性地摆上台面，直接浇灭了热情，加上其他因素，第一次 AI 寒冬随之而来。破局思路也很直白：既然一层直线不够，那就叠多层、中间加非线性激活函数（activation function），于是有了多层感知机（Multilayer Perceptron, MLP）和后来的反向传播。
和相邻概念的区别
| 对比项 | 感知机 | 逻辑回归 | 多层感知机 |
|---|---|---|---|
| 输出 | 硬判断 0/1 | 概率 0~1 | 可逼近任意连续函数 |
| 决策边界 | 直线／超平面 | 直线／超平面 | 可弯曲 |
| 解决 XOR | 不能 | 不能 | 能 |
| 学习方式 | 误分类驱动更新 | 最大似然／梯度下降 | 反向传播 |
逻辑回归和感知机共享同一条直线边界，区别只在"硬判断"与"给概率"、以及是否用平滑损失。
对从业者的实际意义
今天你在代码里写的一层全连接（Dense / Linear），本质上就是一个感知机。它的意义不在于能打，而在于三个判断：
1. 看到线性层，先问数据是否线性可分——不可分时，堆再多线性层也没用，必须引入非线性。
2. 看到 XOR 型问题（组合条件、交叉特征），就知道需要特征工程或更深的网络。
3. 理解收敛定理的前提——它是"如果"，不是"一定"，别指望它在噪声数据上稳定。
至于各家框架的 API 细节，以官方页面为准。想真正入门神经网络，从手写一个感知机、亲眼看它在 XOR 上失败，是最省时间的一课。