多層感知器

多層感知器（Multi Layer Perceptron，即 MLP）包括至少一個隱藏層（除了一個輸入層和一個輸出層以外）。單層感知器只能學習線性函數(shù)，而多層感知器也可以學習非線性函數(shù)。

圖 4：有一個隱藏層的多層感知器

圖 4 表示了含有一個隱藏層的多層感知器。注意，所有的連接都有權重，但在圖中只標記了三個權重（w0,，w1，w2）。

輸入層：輸入層有三個節(jié)點。偏置節(jié)點值為 1。其他兩個節(jié)點從 X1 和 X2 取外部輸入（皆為根據(jù)輸入數(shù)據(jù)集取的數(shù)字值）。和上文討論的一樣，在輸入層不進行任何計算，所以輸入層節(jié)點的輸出是 1、X1 和 X2 三個值被傳入隱藏層。

隱藏層：隱藏層也有三個節(jié)點，偏置節(jié)點輸出為 1。隱藏層其他兩個節(jié)點的輸出取決于輸入層的輸出（1，X1，X2）以及連接（邊界）所附的權重。圖 4 顯示了隱藏層（高亮）中一個輸出的計算。其他隱藏節(jié)點的輸出計算同理。需留意 *f *指代激活函數(shù)。這些輸出被傳入輸出層的節(jié)點。

輸出層：輸出層有兩個節(jié)點，從隱藏層接收輸入，并執(zhí)行類似高亮出的隱藏層的計算。這些作為計算結果的計算值（Y1 和 Y2）就是多層感知器的輸出。

給出一系列特征 X = (x1, x2, ...) 和目標 Y，一個多層感知器可以以分類或者回歸為目的，學習到特征和目標之間的關系。

為了更好的理解多層感知器，我們舉一個例子。假設我們有這樣一個學生分數(shù)數(shù)據(jù)集：

兩個輸入欄表示了學生學習的時間和期中考試的分數(shù)。最終結果欄可以有兩種值，1 或者 0，來表示學生是否通過的期末考試。例如，我們可以看到，如果學生學習了 35 個小時并在期中獲得了 67 分，他 / 她就會通過期末考試。

現(xiàn)在我們假設我們想預測一個學習了 25 個小時并在期中考試中獲得 70 分的學生是否能夠通過期末考試。

這是一個二元分類問題，多層感知器可以從給定的樣本（訓練數(shù)據(jù)）進行學習，并且根據(jù)給出的新的數(shù)據(jù)點，進行準確的預測。在下面我們可以看到一個多層感知器如何學習這種關系。

訓練我們的多層感知器：反向傳播算法

反向傳播誤差，通?？s寫為「BackProp」，是幾種訓練人工神經(jīng)網(wǎng)絡的方法之一。這是一種監(jiān)督學習方法，即通過標記的訓練數(shù)據(jù)來學習（有監(jiān)督者來引導學習）。

簡單說來，BackProp 就像「從錯誤中學習」。監(jiān)督者在人工神經(jīng)網(wǎng)絡犯錯誤時進行糾正。

一個人工神經(jīng)網(wǎng)絡包含多層的節(jié)點；輸入層，中間隱藏層和輸出層。相鄰層節(jié)點的連接都有配有「權重」。學習的目的是為這些邊緣分配正確的權重。通過輸入向量，這些權重可以決定輸出向量。

在監(jiān)督學習中，訓練集是已標注的。這意味著對于一些給定的輸入，我們知道期望 / 期待的輸出（標注）。

反向傳播算法：最初，所有的邊權重（edge weight）都是隨機分配的。對于所有訓練數(shù)據(jù)集中的輸入，人工神經(jīng)網(wǎng)絡都被激活，并且觀察其輸出。這些輸出會和我們已知的、期望的輸出進行比較，誤差會「傳播」回上一層。該誤差會被標注，權重也會被相應的「調整」。該流程重復，直到輸出誤差低于制定的標準。

上述算法結束后，我們就得到了一個學習過的人工神經(jīng)網(wǎng)絡，該網(wǎng)絡被認為是可以接受「新」輸入的。該人工神經(jīng)網(wǎng)絡可以說從幾個樣本（標注數(shù)據(jù)）和其錯誤（誤差傳播）中得到了學習。

現(xiàn)在我們知道了反向傳播的原理，我們回到上面的學生分數(shù)數(shù)據(jù)集。

圖 5：多層感知器的前向傳播

圖 5 中的多層感知器（修改自 Sebastian Raschka 漂亮的反向傳播算法圖解：https://github.com/rasbt/python-machine-learning-book/blob/master/faq/visual-backpropagation.md）的輸入層有兩個節(jié)點（除了偏置節(jié)點以外），兩個節(jié)點分別接收「學習小時數(shù)」和「期中考試分數(shù)」。感知器也有一個包含兩個節(jié)點的隱藏層（除了偏置節(jié)點以外）。輸出層也有兩個節(jié)點——上面一個節(jié)點輸出「通過」的概率，下面一個節(jié)點輸出「不通過」的概率。