神经网络学习笔记(九):多层感知机(上)

本文介绍了多层感知机(MLP)的基础知识,包括其非线性激活函数、隐藏层特性以及反向传播算法在训练中的应用。MLP通过多层神经元构造,能解决线性不可分问题,隐藏层神经元能够学习到输入数据的特征。此外,文章还提及了批量学习和在线学习两种训练策略。
摘要由CSDN通过智能技术生成


     在前面我们所讨论的Rosenblatt感知机,其本质是一个单层神经网络。但这一网络局限于线性可分模式的分类问题。而由Widrow和Hoff(1960)提出的最小均方算法(LMS)也是基于权值可调的单个线性神经元。同样限制了这一算法的计算能力。为了克服上述局限,多层感知机(MLP)应运而生。


多层感知机:


    多层感知机的基本特征:

  •    网络中每个神经元模型包含一个可微的非线性激活函数。
  •    网络中包含一个或多个隐藏在输入与输出神经节点之间的层。
  •    网络展示出高度的连接性,其强度由网络的突触权值决定的。 

     训练感知机的一个流行方法

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值