在机器学习中，MLP 是 多层感知机（Multilayer Perceptron） 的缩写，是一种基础且重要的前馈人工神经网络模型。
核心定义
MLP 通过引入一个或多个隐藏层 以及非线性激活函数，解决了单层感知机只能处理线性可分问题的局限，能够学习复杂的非线性映射关系。
结构组成
典型的 MLP 由三层构成：
- 输入层：接收原始数据特征，节点数等于特征维度
- 隐藏层：一层或多层，负责特征提取和非线性变换，是 MLP 的核心计算层
- 输出层：根据任务类型输出最终结果（如分类概率或回归数值）
各层之间采用全连接方式，即上一层每个神经元都与下一层所有神经元相连。
关键特性
- 非线性能力：通过 ReLU、Sigmoid、Tanh 等激活函数引入非线性，使网络能够处理复杂问题。
- 通用逼近性：理论上，具有单隐藏层的 MLP 可以以任意精度逼近任意连续函数。
- 训练方式：采用反向传播算法和梯度下降法进行参数优化。
应用领域
MLP 广泛应用于图像识别、自然语言处理、推荐系统、金融预测等领域，同时也是深度学习模型的基础组件，在 CNN、Transformer 等现代架构中仍发挥着重要作用。