多層感知器

多層感知器（英語：Multilayer Perceptron，縮寫：MLP）是一種前向結構的人工神經網絡，映射一組輸入向量到一組輸出向量。MLP可以被看作是一個有向圖，由多個的節點層所組成，每一層都全連接到下一層。除了輸入節點，每個節點都是一個帶有非線性激活函數的神經元（或稱處理單元）。一種被稱為反向傳播算法的監督學習方法常被用來訓練MLP。 多層感知器遵循人類神經系統原理，學習並進行數據預測。它首先學習，然後使用權重存儲數據，並使用算法來調整權重並減少訓練過程中的偏差，即實際值和預測值之間的誤差。主要優勢在於其快速解決複雜問題的能力。多層感知的基本結構由三層組成：第一輸入層，中間隱藏層和最後輸出層，輸入元素和權重的乘積被饋給具有神經元偏差的求和結點,主要優勢在於其快速解決複雜問題的能力。 MLP是感知器的推廣，克服了感知器不能對線性不可分數據進行識別的弱點。

理論

激活函數

若每個神經元的激活函數都是線性函數，那麼，任意層數的MLP都可被約簡成一個等價的單層感知器。

實際上，MLP本身可以使用任何形式的激活函數，譬如階梯函數邏輯Sigmoid函數，但為了使用反向傳播算法進行有效學習，激活函數必須限制為可微函數。由於具有良好可微性，很多S函數，尤其是雙曲正切函數（Hyperbolic tangent）及邏輯函數，被採用為激活函數。

在深度學習的最新發展中，線性整流(ReLU)更頻繁地被用來克服與S函數相關的數值問題。

兩個歷史上常見的激活函數都是 S函數，形式是

$y(v_{i})=\tanh(v_{i})$ 和 $y(v_{i})=(1+e^{-v_{i}})^{-1}$。

第一個是個雙曲正切函數，值域為 -1 到 1；第二個是個邏輯函數，形狀很相似但是值域為 0 到 1。令 y_i 為第 i 個節點（神經元）的輸出，而 v_i 是輸入連接的加權和。也有其他的激活函數，例如線性整流函數，徑向基函數（用於徑向基函數網絡，另一種監督神經網絡模型）。

層

MLP由三層或更多層非線性激活節點組成(一個輸入層和一個具有一個或多個隱藏層的輸出層)。由於多層互連是完全連接的，所以一層中的每個節點都以一定的權重 w_ij 連接到下一層的每個節點。

學習

MLP 在感知器中進行學習，通過每次處理數據後改變連接權重，降低輸出與預測結果的誤差量。這是有監督學習的一個例子，通過反向傳播來實現，反向傳播是線性感知器中最小均方算法的推廣。

我們可以將輸出節點 j 的第 n 個數據點的誤差表示為 $e_{j}(n)=d_{j}(n)-y_{j}(n)$，其中 d 是目標值，y 是由感知器預測的值。調整節點權重的方式是，嘗試通過修正節點權重最小化輸出的整體誤差

${\mathcal {E}}(n)={\frac {1}{2}}\sum _{j}e_{j}^{2}(n)$.

使用梯度下降，每個權重的修正量為

$\Delta w_{ji}(n)=-\eta {\frac {\partial {\mathcal {E}}(n)}{\partial v_{j}(n)}}y_{i}(n)$

其中 y_i 是前一個神經元的輸出，η是學習率。η需要精心挑選，保證權重可以快速收斂而不發生震盪。

式中的導數取決於局部場 v_j。場是變化的。很容易證明輸出節點的導數可以簡化為

$-{\frac {\partial {\mathcal {E}}(n)}{\partial v_{j}(n)}}=e_{j}(n)\phi ^{\prime }(v_{j}(n))$

其中 $\phi ^{\prime }$ 是激活函數的導數。$\phi ^{\prime }$是不變的。對於隱藏節點的權重變化，分析更加困難，但是可以看出相關的導數是

$-{\frac {\partial {\mathcal {E}}(n)}{\partial v_{j}(n)}}=\phi ^{\prime }(v_{j}(n))\sum _{k}-{\frac {\partial {\mathcal {E}}(n)}{\partial v_{k}(n)}}w_{kj}(n)$.

代表輸出層的第k個節點的權重變化會影響這個導數。因此，為了改變隱藏層權重，輸出層權重根據激活函數的導數而改變，因此該算法代表激活函數的反向傳播。

術語

術語「多層感知器」不是指具有多層的單感知器，每一層由多個感知器組成。另一種說法是「多層感知器網絡」。此外，MLP的「感知器」不是最嚴格意義上的感知器。真正的感知器在形式上是人工神經元的一個特例，它使用一個閾值激活函數，如階躍函數。MLP感知器可以使用任意激活函數。一個真正的感知器執行二進制分類(或者這個或者那個)，一個MLP神經元可以自由地執行分類或者回歸，這取決於它的激活函數。

後來應用術語「多層感知器」時，沒有考慮節點/層的性質，節點/層可以由任意定義的人工神經元組成，而不是具體的感知器。這種解釋避免了將「感知器」的定義放寬到一般意義上的人工神經元。

應用

常被MLP用來進行學習的反向傳播算法，在模式識別的領域中算是標準監督學習算法，並在計算神經學及並行分佈式處理領域中，持續成為被研究的課題。MLP已被證明是一種通用的函數近似方法，可以被用來擬合複雜的函數，或解決分類問題。

MLP在80年代的時候曾是相當流行的機器學習方法，擁有廣泛的應用場景，譬如語音識別、圖像識別、機器翻譯等等，但自90年代以來，MLP遇到來自更為簡單的支持向量機的強勁競爭。近來，由於深度學習的成功，MLP又重新得到了關注。