多层感知机-----自我神经MLP入门笔记

多层感知机（Multilayer Perceptron, MLP）是一种常见的人工神经网络（Artificial Neural Network, ANN）模型，它由多个人工神经元组成的多层结构。每个神经元都与前一层的所有神经元连接，并且每条连接都有一个对应的权重。MLP通常包括输入层、若干个隐藏层和输出层。

在输入层，神经元接收输入数据，并将其传递到下一层。隐藏层接收来自上一层的输入，并通过对输入加权求和并施加激活函数来产生输出。输出层则生成最终的输出结果。MLP通过反向传播算法进行训练，在训练过程中不断调整连接权重以减小预测输出与实际输出之间的误差。

MLP在各种领域都被广泛应用，如图像识别、语音识别、自然语言处理等。它是深度学习的重要组成部分之一，可以应对复杂的非线性问题。MLP的结构灵活，可以通过增加隐藏层的节点数或者增加隐藏层的层数来提高模型的表达能力，从而适应更加复杂的任务。

多层感知机作为一种基本的神经网络模型，在人工智能领域发挥着重要作用，并且为解决各种问题提供了强大的建模能力。

ps：

激活函数fx：

把线性方程传入的连续的值（wx+b）的连续值转换为离散模型的数字信号，实现类别划分。

此外达到正负区分的效果：

然后不断增加点，实现选择到最佳的wx+b（找到w和b）

损失函数：

衡量模型的输出结果和真实结果之间的误差，然后根据偏差修正模型

决策函数：

在决策函数正负决策之间，使用-y0来取代wx+b的绝对值，然后实现误差修正的效果

感知机的核心：是将传入的参数，权重，通过求和来确定所产生的状态是1还是-1，感知机只关心状态，而不关心模型函数wx+b的到模型点的距离

感知机的函数：

通过将-1/||W||，变换成：

适用于入门的简单模型，模拟的人工神经元。