从MLP到神经网络

本文介绍了多层感知器(MLP)的基本原理和结构,包括其作为前向结构的神经网络特性,以及如何通过反向传播算法进行训练。讨论了MLP的三层结构(输入层、隐藏层、输出层)和全连接性质,以及常见的激活函数如Sigmoid、tanh、ReLU和Softmax。此外,通过Keras框架展示了如何实际构建和实现MLP,并提到了在文本分类任务中使用MLP时的注意事项,如添加Pooling层。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

多层感知器(MLP)是一种非常简单的神经网络,其实现起来也是非常容易滴。那我们就来看一看吧

首先,先看一下来自维基百科的介绍:

多层感知器(Multilayer Perceptron,缩写MLP)是一种前向结构的人工神经网络,映射一组输入向量到一组输出向量。MLP可以被看作是一个有向图,由多个的节点层所组成,每一层都全连接到下一层。除了输入节点,每个节点都是一个带有非线性激活函数的神经元(或称处理单元)。一种被称为反向传播算法监督学习方法(BP算法)常被用来训练MLP。MLP是感知器的推广,克服了感知器不能对线性不可分数据进行识别的弱点。

接下来我们看一个最简单的MLP结构:

最简单的MLP是三层结构(输入层-隐藏层-输出层),如下图所示:


多层感知机的层与层之间是全连接的,即每一层的任意一个神经元均与其前一层的所有神经元有连接,这种连接其实代表了一种权重加和。

例如:

从输入层到隐藏层:我们用X代表输入,H代表隐藏层,则H=f(W1X + B1),其中W1代表权重,B1代表偏置,函数f通常是非线性的,叫做激活函数。

常见的激活函数有:Sigmoid(S型激活函数,将输入映射到一个0到1之间的值,

tanh(双曲正切函数,将输入映射到一个-1到1之间的值,

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值