MLP（Multilayer-Perceptrons）多层感知器学习

原文地址：神经网络1：多层感知器-MLP - 知乎 (zhihu.com)

一般来说神经网络要解决的基本问题就是分类问题

MLP的结构

最经典的MLP包括三层：输入层、隐层、输出层。其中不同层之间是全连接的。什么是全连接？就是上一层的任何一个神经元（或者节点）与下一层的任何一个神经元（或者节点）都连接

由此我们对这个神经网络需要了解几个基本要素：权重、偏置和激活函数

权重：不同神经元之间连接的强度，可以想象成一根绳子的粗细，权重大小代表可能性大小

偏置：是为了分类正确的样本

激活函数：起非线性映射，就是将神经元的输出幅度限制在一定的范围内，一般在(-1,1)或(0,1)之间。常用的激活函数是sigmoid函数将所有值限制在(0,1)之间

例：所以下层的单个神经元的值可以表示为σ(w1a1 + w2a2 + w3a3 + ....... + wnan -10)

σ表示激活函数， w代表权重， a代表上层的神经元的值， -10代表偏置值

每一层的节点值可以用权重矩阵乘以上一层的值的矩阵

然后通过几层的神经网络输出，最后输出的的结果就是要进行分类的结果。