人工智能机器学习有关算法内容，请参见公众号“科技优化生活”之前相关文章。人工智能之机器学习主要有三大类：1）分类；2）回归；3）聚类。今天我们重点探讨一下多层感知器MLP。
感知器（Perceptron）是ANN人工神经网络（请参见人工智能（25））的一个概念，由Frank Rosenblatt于1950s第一次引入。
单层感知器（Single Layer Perceptron）是最简单的ANN人工神经网络。它包含输入层和输出层，而输入层和输出层是直接相连的。单层感知器仅能处理线性问题，不能处理非线性问题。今天想要跟大家探讨的是MLP多层感知器。
MLP多层感知器是一种前向结构的ANN人工神经网络， 多层感知器（MLP）能够处理非线性可分离的问题。
MLP概念：
MLP多层感知器（Multi－layerPerceptron）是一种前向结构的人工神经网络ANN，映射一组输入向量到一组输出向量。MLP可以被看做是一个有向图，由多个节点层组成，每一层全连接到下一层。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。使用BP反向传播算法的监督学习方法来训练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。
相对于单层感知器，MLP多层感知器输出端从一个变到了多个；输入端和输出端之间也不光只有一层，现在又两层：输出层和隐藏层。
基于反向传播学习的是典型的前馈网络， 其信息处理方向从输入层到各隐层再到输出层，逐层进行。隐层实现对输入空间的非线性映射，输出层实现线性分类，非线性映射方式和线性判别函数可以同时学习。
MLP激活函数
MLP可使用任何形式的激活函数，譬如阶梯函数或逻辑乙形函数（logistic sigmoid function），但为了使用反向传播算法进行有效学习，激活函数必须限制为可微函数。由于具有良好可微性，很多乙形函数，尤其是双曲正切函数（Hyperbolictangent）及逻辑乙形函数，被采用为激活函数。
激活函数的作用是将非线性引入神经元的输出。因为大多数现实世界的数据都是非线性的，希望神经元能够学习非线性的函数表示，所以这种应用至关重要。
MLP原理：
前馈神经网络是最先发明也是最简单的人工神经网络。它包含了安排在多个层中的多个神经元。相邻层的节点有连接或者边（edge）。所有的连接都配有权重。
一个前馈神经网络可以包含三种节点：
1）输入节点（Input Nodes）：也称为输入层，输入节点从外部世界提供信息，。在输入节点中，不进行任何的计算，仅向隐藏节点传递信息。
2）隐藏节点（Hidden Nodes）：隐藏节点和外部世界没有直接联系。这些节点进行计算，并将信息从输入节点传递到输出节点。隐藏节点也称为隐藏层。尽管一个前馈神经网络只有一个输入层和一个输出层，但网络里可以没有也可以有多个隐藏层。
3）输出节点（Output Nodes）：输出节点也称为输出层，负责计算，并从网络向外部世界传递信息。
在前馈网络中，信息只单向移动——从输入层开始前向移动，然后通过隐藏层，再到输出层。在网络中没有循环或回路。
MLP多层感知器就是前馈神经网络的一个例子，除了一个输入层和一个输出层以外，至少包含有一个隐藏层。单层感知器只能学习线性函数，而多层感知器也可以学习非线性函数。
MLP训练过程：
一般采用BP反向传播算法来训练MPL多层感知器。采用BP反向传播算法就像从错误中学习。监督者在人工神经网络犯错误时进行纠正。MLP包含多层节点；输入层，中间隐藏层和输出层。相邻层节点的连接都有配有权重。学习的目的是为这些边缘分配正确的权重。通过输入向量，这些权重可以决定输出向量。在监督学习中，训练集是已标注的。这意味着对于一些给定的输入，能够知道期望的输出（标注）。
MLP训练过程大致如下：
1）所有边的权重随机分配；
2）前向传播：利用训练集中所有样本的输入特征，作为输入层，对于所有训练数据集中的输入，人工神经网络都被激活，然后经过前向传播，得到输出值。
3）反向传播：利用输出值和样本值计算总误差，再利用反向传播来更新权重。
4）重复2）～3）， 直到输出误差低于制定的标准。
上述过程结束后，就得到了一个学习过的MLP网络，该网络被认为是可以接受新输入的。
MLP优点：
1）高度的并行处理；
2）高度的非线性全局作用；
3）良好的容错性；
4）具有联想记忆功能；
5）非常强的自适应、自学习功能。
MLP缺点：
1）网络的隐含节点个数选取非常难；
2）停止阈值、学习率、动量常数需要采用”trial－and－error”法，极其耗时；
3）学习速度慢；
4）容易陷入局部极值；
5）学习可能会不够充分。
MLP应用：
MLP在80年代的时候曾是相当流行的机器学习方法，拥有广泛的应用场景，譬如语音识别、图像识别、机器翻译等等，但自90年代以来，MLP遇到来自更为简单的支持向量机的强劲竞争。近来，由于深层学习的成功，MLP又重新得到了关注。
常被MLP用来进行学习的反向传播算法，在模式识别的领域中算是标准监督学习算法，并在计算神经学及并行分布式处理领域中，持续成为被研究的课题。MLP已被证明是一种通用的函数近似方法，可以被用来拟合复杂的函数，或解决分类问题。
结语：
MLP多层感知器是一种前向结构的ANN人工神经网络， 它能够处理非线性可分离的问题，值得深入研究。为了实现MLP多层感知器，会用到BP反向传播算法。MLP可使用任何形式的激活函数，但为了使用反向传播算法进行有效学习，激活函数必须限制为可微函数。MLP算法应用范围较广，扩展性也强，可应用于语音识别、图像识别、机器翻译等领域。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
