多层感知器 MLP

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，由多个节点层组成，每一层连接到下一层

• 解决的问题：分类问题
• MLP是神经网络中最基础、最简单的
  • 其余神经网络还有
    • 误差反向传播神经网络(BP)
    • 卷积神经网络(CNN——用于图像识别)
    • 时间递归神经网络(LSTM——用于语音识别)

12.1 神经网络的结构

• 输入层
• 隐层
• 输出层
• 不同层之间不是全连接的
  • 全连接：上一层的任何一个神经元与下一层的所有神经元都有连接
• 

12.2 神经网络的训练和学习

神经网络的三个基本要素

• 权重

  • 神经元之间的连接强度由权重表示，权重的大小表示可能性的大小

• 偏置(阈值)

  • 偏置的设置是为了正确分类样本，是模型中的重要参数
  • 保证通过输入算出的输出值不能随便激活

• 激活函数

  • 起非线性映射的作用，可以将神经元的输出幅度限制在一定范围内，一般限制在(-1,1)或(0,1)之间。

  • 最常用的激活函数是Sigmoid函数，可将(-∞，+∞)的数映射到(0,1)

  • 

  • tanh也属于激活函数，映射到(-1,1)

  • 

• 下层单个神经元的值与上层所有输入之间的关系

  • 

  • 注意：在最后需要减掉偏置(阈值)，以排除掉一些不符合条件的上层输入

• 识别过程(以数字识别为例)：

  • 读取图片，以像素点为单位分解

  • 归一化每个像素点的灰度值，如果值越大就越亮，值越小就越暗

    • 将每行像素点拼接成一维作为这张图片的特征

  • 输出由10个神经元组成，分别表示(0-9)十个数字，每个神经元的值也在(0-1)之间表示灰度

    • 神经元的值越大表示输入经判断后是该数字的可能性越大，作为结论

  • 

  • 如图有两个隐层，每个隐层有16个偏置

  • 那么总共需要 784×16 + 16×16 + 16×10 = 13002个参数，也就是每条边的权值

    • 神经网络的学习也就是通过训练集来不断训练得到更加合适的权值(参数)和偏置(阈值)