关于李沐【动手学深度学习】多层感知机输入X，权重W，输出O之间的过程理解

终于学到多层感知机了，累死哥们了。。。

下面是多层感知机的过程图，以及相关的运算公式过程：

 

首先是x，假设是一个n * 1的列向量，一般x的输入数据都是这样的一个列向量

其次是W1，是一个m * n的权重矩阵，m实际上指的是我们的隐藏层共有m个节点，也就是上图中h的个数（m=5），n列指的是x的输入个数。

W2是输出层的权重，m * 1的列向量

之后就是计算了，当一个x列向量输入到多层感知机时，我们知道很多模型都是基于线性回归进行拓展的，感知机也是如此，相比如线性回归y=wx+b多了一个激活函数，这样隐藏层的输出就是

 我们知道共有m个h，W是m * n的矩阵，W1x就能得到m个h的值，并且每个h都是通过输入数据x1-xn与各个h对应的x1-xn的权重的和，正好得到m个h。这样m个h就可以作为输出层的输入继续进行计算，最后得到输出值的一个m向量。

那么为什么会出现多层感知机呢？这是由于感知机给出的是一个线性分割，单纯一个感知机的线性分割具有很大局限性，类似XOR函数的问题就不能进行分类，这样通过多个简单感知机的值进行堆叠就能够对XOR问题进行解决。具体可以看李沐的多层感知机的课。