另一方面，多层感知机(MLP )原理综述多层感知机(MLP )、Multilayer Perceptron )也称为人工神经网络(dpdhb、Artificial Neural Network )，除了输入输出层以外，中间有多个隐藏
从上图可以看出，多层探测器的层和层间是完全连接的。 完全连接意味着上层的任何神经元都与下层的所有神经元连接。 多层探测器的最下层是输入层，中间是隐藏层，最后是输出层。
输入层什么都没说。 输入什么？ 例如，如果输入是n维向量，则有n个神经元。
怎么得到隐藏层的神经元？ 首先，它与输入层完全连接。 如果用向量x表示输入层，则隐藏层的输出为
f(W1xb1)，w1是权重(也称为连接系数)，b1是偏移，函数f可以是常用的sigmoid函数或tanh函数：
最后是输出层。 输出层和非显示层是什么关系？ 实际上，输出层的输出表示softmax(w2X1b2)，x1表示隐藏层的输出w1xb1)，因为可以将它视为从隐藏层到输出层的多种逻辑回归，即softmax回归。
整个MLP模型都是这样的。 用公式总结上述三层MLP，函数g为softmax
因此，MLP的所有参数都是包含W1、b1、W2、b2在内的各个层间的连接权重和偏移量。 针对具体问题，如何确定这些参数？ 求解最优参数是优化问题，求解优化问题最简单的是梯度下降法(SGD )。 首先随机初始化所有参数，反复训练，计算坡度并持续更新参数，直到满足一定条件(例如误差足够小、反复次数足够多时)。 这个过程涉及成本函数、有序化、学习速度、梯度计算等，本文不详细讨论，读者可以参考本文顶部给出的两个链接。