update chapter5 figure

Book/Chapter5/chapter5.tex

@@ -422,7 +422,7 @@ l_p(\mathbf x)={\Vert{\mathbf x}\Vert}_p={\left (\sum_{i=1}^{n}{{\vert x_{i}\ver
 %--5.2.2.1感知机\raisebox{0.5mm}{------}最简单的人工神经元模型---------------------
 \subsubsection{（一）感知机\raisebox{0.5mm}{------}最简单的人工神经元模型}\index{Chapter5.2.2.1}
 
-\parinterval 感知机是人工神经元的一种实例，在上世纪50-60年代被提出后，对神经网络研究产生了深远的影响。感知机模型如图\ref {fig:perceptron mode}所示，其输入是一个n维二值向量$ \mathbf x=(x_0,x_1,\dots,x_n) $，其中$ x_i=0 $或$ 1 $。权重$ \mathbf w=(w_0,w_1,\dots,w_n) $，每个输入变量对应一个权重$ w_i $（实数）。偏置$ b $是一个实数变量（$ -\sigma $）。输出也是一个二值结果，即$ y=0 $或$ 1 $，$ y $值的判定由输入的加权和是否大于（或小于）一个阈值$ \sigma $决定：
+\parinterval 感知机是人工神经元的一种实例，在上世纪50-60年代被提出后，对神经网络研究产生了深远的影响。感知机模型如图\ref {fig:perceptron-mode}所示，其输入是一个n维二值向量$ \mathbf x=(x_0,x_1,\dots,x_n) $，其中$ x_i=0 $或$ 1 $。权重$ \mathbf w=(w_0,w_1,\dots,w_n) $，每个输入变量对应一个权重$ w_i $（实数）。偏置$ b $是一个实数变量（$ -\sigma $）。输出也是一个二值结果，即$ y=0 $或$ 1 $，$ y $值的判定由输入的加权和是否大于（或小于）一个阈值$ \sigma $决定：
 %公式--------------------------------------------------------------------
 \begin{eqnarray}
 y=\begin{cases} 0 & \sum_{i}{x_i\cdot w_i}-\sigma <0\\1 & \sum_{i}{x_i\cdot w_i}-\sigma \geqslant 0\end{cases}
@@ -434,9 +434,9 @@ y=\begin{cases} 0 & \sum_{i}{x_i\cdot w_i}-\sigma <0\\1 & \sum_{i}{x_i\cdot w_i}
 % 图
 \begin{figure}[htp]
 \centering
-\input{./Chapter5/Figures/fig-perceptron mode}
+\input{./Chapter5/Figures/fig-perceptron-mode}
 \caption{感知机模型}
-\label{fig:perceptron mode}
+\label{fig:perceptron-mode}
 \end{figure}
 %-------------------------------------------