从一笔，到一个判断
机器是怎么
看见字母的？
感觉、关联、响应。
跟着一个信号，走完整个感知机。
给机器一个字母，
看看它如何思考。
练习范围：大写 A–Z，对应 a–z 类别。只写一个字母，尽量居中、笔画分开。示例与训练数据同源，通常更容易识别。
从你的笔画开始。
点击 Start，在左侧白板写一个大写英文字母。我们先不揭晓答案，一起跟着信号走过感知机的每一步。
你来画。机器来算。每一步，都能看懂。
先观察，再解释，最后才做出判断。
BONUS / 让错误成为一次学习
只改变 W，
不重新连接 C。
给出正确标签，执行一次多分类感知机更新。感觉输入 S、固定连接 C、关联阈值 θ 和本轮 A 的活动模式都不改变；只有 W 和响应偏置 b 参与学习。
W误判,ⱼ ← W误判,ⱼ − ηaⱼ
b正确 ← b正确 + η，b误判 ← b误判 − η
C 与 θ：固定不变
学习率 η = 0.1。一次更新不保证立刻判对；刷新会重置学习。
理解模型，也理解边界
它没有认出“意义”，
它学会了比较得分。
这和罗森布拉特有什么关系？
本实验采用罗森布拉特式的 S → A → R 前馈教学结构：感觉单元 S 经固定连接 C 驱动有阈值的关联单元 A，再由可学习连接 W 驱动响应单元 R。原论文讨论过多种结构，包含更复杂的投射区与反馈；这里不是历史硬件的完整复刻。400 个 S、256 个 A、每个 A 的局部 16 条连接与阈值 2，均为本实验的教学设定。
为什么是 26 个输出，而不是一个？
为识别 A–Z，本实验使用 26 个响应得分和 argmax 多类别读出，这是教学扩展。每个响应接收关联输出 a，计算 zₖ = Σⱼ Wₖⱼaⱼ + bₖ。它对关联输出是线性的，但 A 的阈值变换使整个模型不再是对原始像素的一次线性求和。“单层”在这里指只有 A → R 这一层连接可训练，不是只有两组单元。
权重从哪里来？为什么会认错？
权重通过 1,820 张由程序笔画模板生成的 A–Z 样本训练得到，共 30 轮，包含小幅倾斜、笔宽与形状扰动。没有使用真实手写数据集，也没有调用大模型。不同人的字形可能超出训练范围；固定随机特征与单层可学习读出的表达能力有限。即使涂鸦，它也会选出得分最高的字母，这不等于识别正确。
输入经过了哪些处理？
先找到笔画边界，保持长宽比例缩放并居中，最长边占矩阵约 16 格，四周留白；再划成 20×20 格，估计每格覆盖率。覆盖率 ≥ 18% 记为 1，否则记为 0。之后按行编号为 400 个感觉信号 sᵢ，并真正经 C 进入关联单元，不直接输入响应单元。训练样本也经过同样处理。