10、深度学习与多层感知机全面解析

深度学习与多层感知机全面解析

1. 神经元计算与权重优化

神经元对大量输入进行计算，其基本计算公式如下：
- 初始公式：$f(x)=w_1x_1 + w_2x_2 + w_3x_3 + \cdots + w_nx_n$ （Equation 5 - 1）
- 加入偏置后的公式：$f(x)=w_0x_0 + w_1x_1 + w_2x_2 + w_3x_3 + \cdots + w_nx_n$ （Equation 5 - 2）
- 也可写成：$f(x)=\sum_{i = 0}^{n}w_ix_i$ （Equation 5 - 3）

优化函数会使用特定的数学算法（优化器）来优化权重。具体操作流程如下：
1. 初始化权重。
2. 利用激活函数计算每个神经元的输出。
3. 计算误差。
4. 调整权重。
5. 重新计算输出和误差，并与之前的误差进行比较。
6. 重复步骤 3 - 5，直到误差达到最小，此时的权重即为最终优化后的权重。

2. 多层感知机（MLP）

多层感知机（MLP）就如同人类大脑包含数十亿个神经元一样，人工神经网络包含多个神经元或感知器。输入由一组神经元处理，每个神经元独立处理输入，这组神经元的输出会被馈送到另一个神经元或一组神经元进行进一步处理。可以将这些神经元想象成按层排列，一层的输出作为下一层的输入。MLP 架构通常包含以下几个部分：
| 层类型 | 描述 |
| ---- | ---- |
| 输入层 | 神经网络的第一层，接收来自外部源的输入，如传感设备的图像。输入层的节点不进行任何计算，仅将输入传递到下一层。输入层的神经