MLP层（深度学习）
MLP = Multi-Layer Perceptron，多层感知机 ，日常也常叫全连接层（Fully Connected Layer, FC），是深度学习最基础的网络层之一。
一、核心定义
由多层神经元全连接 组成的网络结构：上一层每一个神经元 ，都和下一层所有神经元建立连接，没有局部感受野、没有权重共享。
二、结构组成
标准MLP一般包含三部分：
- 输入层：接收特征向量（一维数据）
- 隐藏层：一层或多层，搭配激活函数（ReLU、Sigmoid、Tanh等）做非线性变换
- 输出层：输出最终结果（分类概率、回归数值等）
深度学习里说的 MLP层 ，大多特指全连接层。
三、主要作用
- 特征融合/映射
把卷积、池化、Transformer等模块提取的高维特征，转换成一维向量，再做特征组合与变换。 - 维度变换
自由调整特征维度（升维/降维）。 - 最终分类/回归
网络末尾几乎都用MLP/全连接层输出预测结果（如图像分类、文本分类）。
四、典型使用场景
- CNN + MLP
卷积网络提取图像局部特征 → 展平(Flatten) → 接入MLP全连接层 → 分类输出。 - Transformer + MLP
NLP/视觉Transformer中，每个编码器/解码器内部都包含Feed-Forward MLP（前馈多层感知机），对语义/视觉特征做非线性转换。 - 传统表格数据、一维特征任务：直接用纯MLP搭建模型。
五、优缺点
✅ 优点：结构简单、逻辑直观、拟合能力强，擅长处理一维向量特征 。
❌ 缺点：
- 参数极多，容易过拟合；
- 不具备局部感知、权重共享，处理图像、长序列等二维/高维数据效率低；
- 无法保留空间/位置信息。
六、简单示例
输入：1024维特征向量
→ MLP隐藏层（512神经元 + ReLU）
→ MLP输出层（10神经元 + Softmax）
→ 得到10分类结果。