26、基于Keras实现多层感知器（MLP）进行图像分类

基于Keras实现多层感知器（MLP）进行图像分类

1. 多层感知器（MLP）架构概述

1.1 回归MLP架构

回归任务中，MLP的典型架构超参数设置如下表所示：
| 超参数 | 典型值 |
| — | — |
| 输入神经元数量 | 每个输入特征对应一个神经元（例如，MNIST数据集中为28 x 28 = 784） |
| 隐藏层数量 | 取决于问题，通常为1到5层 |
| 每个隐藏层的神经元数量 | 取决于问题，通常为10到100个 |
| 输出神经元数量 | 每个预测维度对应一个神经元 |
| 隐藏层激活函数 | ReLU（或SELU） |
| 输出层激活函数 | 无，或ReLU/softplus（如果输出为正）或logistic/tanh（如果输出有界） |
| 损失函数 | MSE或MAE/Huber（如果存在异常值） |

1.2 分类MLP架构

MLP也可用于分类任务，根据分类类型不同，架构有所差异，具体如下：
- 二元分类 ：单个输出神经元，使用logistic激活函数，输出值在0到1之间，表示正类的估计概率。损失函数通常使用交叉熵。
- 多标签二元分类 ：每个标签对应一个输出神经元，均使用logistic激活函数。同样使用交叉熵作为损失函数。
- 多类分类 ：每个类别对应一个输出神经元，使用softmax激活函数，确保所有估计概率在0到1之间且总和为1。损失函数也是交叉熵。

典型分类ML