感知机前向传播是输入与权重的点积加偏置后经符号函数判定，输出±1；无矩阵乘法、自动微分或第三方库，需用std::vector确保长度一致并显式处理偏置。
前向传播就是点积加偏置再套符号函数
感知机的前向传播没有矩阵乘法、没有自动微分、也不需要任何第三方库。它本质是一次加权求和（std::vector 点积）加一个偏置项，最后用 sign 或 step 判定正负。所谓“深度学习”在这里是误称——感知机是单层线性分类器，连隐藏层都没有。
实操建议：
- 用
std::vector<double></double>存输入x和权重w，长度必须一致；不一致会越界，调试时加assert(x.size() == w.size()) - 偏置
b单独传入，比硬塞进权重数组首项更安全、更易调试 - 输出返回
double（如1.0或-1.0），方便后续更新逻辑复用，不用强转类型 - 不要用
std::signbit或std::copysign——它们处理 0 的行为不统一；直接用sum >= 0 ? 1.0 : -1.0更可控
为什么不能直接用 sigmoid 或 relu 替代 sign
因为那就不是感知机了。原始 Rosenblatt 感知机定义的激活函数是阶跃型：输出严格为 +1 或 -1（或 0/1），训练规则 w = w + η·y·x 依赖这个二值输出。换成 sigmoid 后，梯度变小、收敛慢，且不再保证在有限步内收敛（前提是线性可分）。
常见错误现象：
立即学习“C++免费学习笔记（深入）”；
- 训练轮次跑几百上千次仍不收敛 → 很可能用了平滑激活函数，但数据其实是线性可分的
- 预测结果全是 0.5 附近浮动 →
sigmoid输出域是 (0,1)，没做阈值截断 - 更新方向混乱 →
y是连续值，而原始更新公式中y必须是真实标签（+1/-1）
std::vector 实现点积时的性能与边界注意点
对几十维以内的输入，for 循环点积足够快；不需要引入 std::inner_product 或 Eigen。但有三个容易被忽略的细节：
- 初始化
sum = b，不是 0 —— 偏置必须参与首轮累加 - 循环变量用
size_t i，但要小心x.size()为 0 时进入空循环（合法，但需确保w也为空） - 如果输入含 NaN，
sum会污染整个结果；生产环境建议加std::isnan(x[i])检查（训练前清洗更合适）
示例片段：
double predict(const std::vector<double>& x, const std::vector<double>& w, double b) {
assert(x.size() == w.size());
double sum = b;
for (size_t i = 0; i < x.size(); ++i) {
sum += x[i] * w[i];
}
return sum >= 0 ? 1.0 : -1.0;
}前向传播输出不等于预测标签，只是中间决策值
感知机的前向传播输出是模型对当前样本的“判决结果”，但它本身不带概率解释，也不参与 loss 计算（原始版本无 loss 函数）。训练时只关心它是否与真实标签 y_true 一致：
- 若
predict(x, w, b) == y_true→ 跳过更新 - 若不等 → 执行
w[i] += η * y_true * x[i]和b += η * y_true -
η（学习率）通常取 1.0 即可，调大不会加速收敛，反而可能震荡
真正容易被忽略的是：前向传播函数本身不修改任何状态，它只是纯计算。所有权重更新都发生在训练主循环里，别把 predict 写成带副作用的函数。
