如果说“感知机”是单个的神经元，那么“多层感知机”就是将分散的神经元，连接成了网络。

在输入层和输出层之间，再加入若干层，每层若干个神经元。

然后每一层的每个神经元，与下一层的每个神经元，都通过权重参数建立起连接……

层与层之间，完全连接。

也就是说，第i层的任意一个神经元，一定与第i+1层的任意一个神经元相连。

这就是多层感知机，简称MLP。

但仅仅简单组合在一起，还不算真正的“人工神经网络”，必须对“感知机”的基本结构，做出一定的改进。

首先，必须加入隐藏层，以增强模型的表达能力。

隐藏层可以有多层，层数越多，表达能力越强，但与此同时，也会增加模型的复杂度，导致计算量急遽增长。

其次，输出层的神经元允许拥有多个输出。

这样模型就可以灵活地应用于各种分类回归，以及其他的机器学习领域，比如降维、聚类等。

此外，还要对激活函数做出扩展……

前一篇“感知机”论文中，主要使用的是阶跃函数sign，虽然简单易用，但是处理能力有限。

因此神经网络的激活函数，一般使用其他的非线性函数。

备选的函数有很多：sigmoid函数，tanh函数，ReLU函数……

江寒逐一进行了分析。

通过使用多种性能各异的激活函数，可以进一步增强神经网络的表达能力。

对于二分类问题，只需要一个输出神经元就够了。

使用sigmoid作为激活函数，来输出一个0到1之间的数值，用来表示结果为1的概率。

对于多类分类问题，一般在输出层中，安排多个神经元，每个分类一个。

Loading...

未加载完，尝试【刷新网页】or【关闭小说模式】or【关闭广告屏蔽】。

使用【Firefox浏览器】or【Chrome谷歌浏览器】打开并收藏！

移动流量偶尔打不开，可以切换电信、联通网络。

收藏网址：www.sisiread.com

(＞人＜；)