目录
1.多层感知机的概念
MLP（多层感知机，Multilayer Perceptron）是一种前馈人工神经网络（Feedforward Artificial Neural Network），是深度学习中的基础模型之一，主要用于分类和回归任务。
1）感知机（PLA，Perceptron Learning Algorithm）：只有输入和输出层，这两层共同组成了一个简单的神经元，即单个神经元模型，是较大神经网络的前身。它是一个线性的二分类器，但它对非线性的数据并不能进行有效的分类。因此我们可以加深这个神经元的网络层次，理论上来说，多层网络可以模拟任何复杂的函数。以下是感知机的概念公式：
2）多层感知机（MLP，Multi-Layer Perceptron）：由感知机推广而来，它最主要的特点就是有多个神经元层，因此 MLP 也被称为人工神经网络（Artificial Neural Network，ANN）。MLP 是一种特定类型的人工神经网络，它由多个神经元组成，通常包括一个输入层、一个或多个隐藏层以及一个输出层。相对而言，ANN 是一个更广泛的术语，它包括了所有由神经元组成的网络，而 MLP 则是 ANN 中的一个特例，指代具有多个层的前馈神经网络。所以在讨论上，MLP 和 ANN 可以互换使用。
2.多层感知机结构
MLP 由多个神经元Neuron组成，通常包括以下层次：
输入层（Input Layer）：接收特征输入，每个节点对应一个输入特征。
隐藏层（Hidden Layers）：由多个神经元组成，每个神经元与上一层的所有神经元全连接，并进行非线性变换。
输出层（Output Layer）：根据任务类型，输出分类结果或回归值。
MLP并没有限定隐层的数量，对于输出层神经元的个数也没有限制，所以我们可以根据各自的需求选择合适的隐层层数。
（图1为感知机，图2为多层感知机）
图1：感知机结构图
图2：多层感知机结构图
多层感知机这三类给定层（输入、中间、输出层）中的每个节点都会连接到相邻层中的每个节点（全连接），所以这里有一个MLP中最重要的一个组成就是Dense Layer。
3.如何由线性结构变为多为多层感知机
我们了解了线性回归，知道了多层感知机有三个层次，那么如何将线性结构变为多层的感知机呢？------重点就是：全连接（Dense） + 激活函数（引入非线性）。
因为想做到非线性，那我们可以尝试使用多个全连接层，但是将全连接层简单的叠加在一起还是线性的，所以要加入非线性的东西在里面，也就是激活函数（比如sigmoid、Relu等），才能实现我们想要的非线性（去拟合各种各样的函数，更具现实意义）。以下是具有一层隐藏层的MLP（左）和具有三层隐藏层的MLP（右）结构示图：
