15. 多层感知机原理及实现

多层感知机及代码实现

完整的实验代码在我的github上👉QYHcrossover/ML-numpy: 机器学习算法numpy实现 (github.com) 欢迎star⭐

多层感知机(MLP)是一种前馈神经网络，由输入层、若干个隐藏层和输出层组成。每一层都由多个神经元组成。MLP一般用于分类问题，可以通过反向传播算法进行训练。在深度学习领域，MLP是一种基础结构，被广泛应用于图像识别、自然语言处理等领域。

多层感知机的结构

多层感知机的结构如下图所示：

其中，输入层接受输入数据，隐藏层通过激活函数将输入数据进行非线性变换，输出层将隐藏层输出映射到目标空间，得到预测结果。在训练过程中，可以通过反向传播算法将预测结果与真实标签进行比对，求得误差并更新模型参数。

多层感知机原理

激活函数

在多层感知机中，激活函数用于将输入数据进行非线性变换。常用的激活函数有sigmoid函数、ReLU函数、tanh函数等。

其中，sigmoid函数定义如下：

$$sigmoid(x)=\frac{1}{1+e^{-x}}$$

ReLU函数定义如下：

$$ReLU(x)=max(0,x)$$

tanh函数定义如下：

$$tanh(x)=\frac{e^x-e^{-x}}{e^x+e^{-x}}$$

前向传播

在多层感知机中，前向传播用于将输入数据传递至输出层。设输入数据为$x$，第$i$层隐藏层的输出为$h_i(x)$，第$l$层隐藏层到第$l+1$层隐藏层之间的权重矩阵为$W_l$，第$l$层隐藏层的偏置为$b_l$，则前向传播的计算过程如下：

$$h_1(x)=f(W_{1}x+b_1)$$

h l ( x ) = f ( W l h l − 1 ( x ) + b l ) h_l(x) = f(W_lh_{l-1}(x)+b_l)