多层感知机（Multilayer Percetron）MLP

参考：https://blog.csdn.net/u012162613/article/details/43221829

MLP（多层感知器）神经网络https://blog.csdn.net/liuyukuan/article/details/72934383

 一、什么是多层感知机？

多层感知机MLP，结构为：输入层——(1或n层）隐含层——输出层，层与层之间全连接（全连接的意思就是：上一层的任何一个神经元与下一层的所有神经元都有连接）。

多层感知机最底层是输入层，中间是隐藏层，最后是输出层。最简单的MLP只有一层隐含层hidden layer如下图:

二、为甚么要用多层感知机

单个感知器能够完成线性可分数据的分类问题，是一种最简单的可以“学习”的机器。但他无法解决非线性问题。比如下图中的XOR问题：即（1,1）（-1,-1）属于同一类，而（1,-1）（-1,1）属于第二类的问题，不能由单个感知器正确分类。

即在Minsky和Papert的专著《感知器》所分析的：感知器只能解决所谓一阶谓词逻辑问题：与（AND），或（OR）等，而不能解决异或（XOR）等高阶谓词逻辑问题。

多层感知机实现非线性分类问题

三、公式解读和学习过程

以3层MLP为例：

W为权重；b为偏置；下标表示层数；softmax即softmax回归；函数f是激活函数，可以是常用的sigmoid函数或者tanh函数。

输入层：如一个n维向量X

隐藏层：输出

输出层：隐藏层到输出层可以看成是一个多类别的逻辑回归，表示

因此，MLP所有的参数就是各个层之间的连接权重以及偏置，多层感知机的训练学习目的就是确定最佳的参数。

 求解最佳的参数是一个最优化问题，解决最优化问题，最简单的就是梯度下降法了（SGD）：首先随机初始化所有参数，然后迭代地训练，不断地计算梯度和更新参数，直到满足某个条件为止（比如误差足够小、迭代次数足够多时）。这个过程涉及到代价函数、规则化（Regularization）、学习速率（learning rate）、梯度计算等。