【深度学习】常见模型-多层感知机（MLP，Multilayer Perceptron）

多层感知机（MLP）是一种经典的人工神经网络结构，由输入层、一个或多个隐藏层以及输出层组成。每一层中的神经元与前一层的所有神经元全连接，且各层间的权重是可学习的。MLP 是深度学习的基础模型之一，主要用于处理结构化数据、分类任务和回归任务等。

---

特点

1. 全连接层：每个神经元与前一层的所有神经元连接，能学习复杂的非线性关系。
2. 激活函数：隐藏层和输出层的每个神经元使用非线性激活函数（如 ReLU(/ray-loo/)、Sigmoid(/ˈsɪɡˌmɔɪd/)、Tanh(/tænʃ/)）来增加模型的表达能力。
3. 前向传播和反向传播：
   • 前向传播：输入数据经过各层加权求和并通过激活函数计算输出。
   • 反向传播：根据损失函数计算梯度，并通过优化算法（如 SGD、Adam）更新权重。
4. 通用逼近性：理论上，MLP 可以逼近任意连续函数。

---

MLP 的结构

• 输入层：接受输入数据的特征向量，大小等于数据的维度。
• 隐藏层：一个或多个隐藏层，每层由若干神经元组成，负责特征提取和非线性映射。
• 输出层：根据任务类型输出结果，例如分类问题中每类的概率或回归问题中的预测值。

---

代码示例

以下是一个使用 TensorFlow/Keras(/'kɜːrəz/或/'kiərəz/) 实现简单 MLP 的代码示例：

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Input

# 定义多层感知机模型
def build_mlp(input_dim, hidden_units, output_dim):
    model = Sequential()
    # 输入层和第一层隐藏层
    model.add(Input(shape=(input_dim,)))
    model.add(Dense(hidden_