dla sigmoidalnej funkcji aktywacji wyjście przyjmuje wartości w zakresie .
Trenowanie perceptronu Aby perceptron wykonywał zadanie klasyfikacji, należy go "wytrenować", tj. ustalić wartości wag i biasów jego neuronów. Można to np. zrobić metodą prób, podając przykładowe dane na wejście i modyfikuje wagi połączeń i biasy tak, aby wynik na wyjściu przybierał pożądane wartości. Pierwszą metodą algorytmiczną (tj. możliwą do zaprogramowania) uczenia perceptronu podał Rosenblatt. Metoda ta nadaje się jednak tylko do trenowania sieci jednowarstwowych lub sieci o wielu warstwach, ale gdzie tylko jedna warstwa ma dobierane wagi i biasy (taką sieć zbudował Rosenblatt). Później opracowano metody nadające się do trenowania sieci wielowarstwowych (np. metoda propagacji wstecznej).
Metoda uczenia perceptronu według Rosenblatta Podczas uczenia perceptronu używa się zestawu danych uczących, złożonego z par, gdzie - dana wejściowa, - zakładana (oczekiwana) dana wyjściowa. Liczba par uczących zależy od rodzaju zagadnienia, jakiego ma nauczyć się sieć. Celem jest znalezienie wag i biasu neuronu tak, by uzyskać zgodność między wartością wyjściową z sieci a założą daną wyjściową dla wszystkich par uczących
W zerowym kroku iteracji dobiera się losowo wagi i bias .