人工智能機器學習有關算法內容，請參見公眾號“科技優化生活”之前相關文章。人工智能之機器學習主要有三大類：1）分類；2）回歸；3）聚類。今天我們重點探討一下多層感知器MLP。 

感知器（Perceptron）是ANN人工神經網絡（請參見人工智能（25））的一個概念，由Frank Rosenblatt于1950s第一次引入。

單層感知器（Single Layer Perceptron）是最簡單的ANN人工神經網絡。它包含輸入層和輸出層，而輸入層和輸出層是直接相連的。單層感知器僅能處理線性問題，不能處理非線性問題。今天想要跟大家探討的是MLP多層感知器。

MLP多層感知器是一種前向結構的ANN人工神經網絡， 多層感知器（MLP）能夠處理非線性可分離的問題。

MLP概念：

MLP多層感知器（Multi－layerPerceptron）是一種前向結構的人工神經網絡ANN，映射一組輸入向量到一組輸出向量。MLP可以被看做是一個有向圖，由多個節點層組成，每一層全連接到下一層。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。使用BP反向傳播算法的監督學習方法來訓練MLP。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。

相對于單層感知器，MLP多層感知器輸出端從一個變到了多個；輸入端和輸出端之間也不光只有一層，現在又兩層：輸出層和隱藏層。

基于反向傳播學習的是典型的前饋網絡， 其信息處理方向從輸入層到各隱層再到輸出層，逐層進行。隱層實現對輸入空間的非線性映射，輸出層實現線性分類，非線性映射方式和線性判別函數可以同時學習。

MLP激活函數

MLP可使用任何形式的激活函數，譬如階梯函數或邏輯乙形函數（logistic sigmoid function），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。由于具有良好可微性，很多乙形函數，尤其是雙曲正切函數（Hyperbolictangent）及邏輯乙形函數，被采用為激活函數。

激活函數的作用是將非線性引入神經元的輸出。因為大多數現實世界的數據都是非線性的，希望神經元能夠學習非線性的函數表示，所以這種應用至關重要。

MLP原理：

前饋神經網絡是最先發明也是最簡單的人工神經網絡。它包含了安排在多個層中的多個神經元。相鄰層的節點有連接或者邊（edge）。所有的連接都配有權重。

一個前饋神經網絡可以包含三種節點：

1）輸入節點（Input Nodes）：也稱為輸入層，輸入節點從外部世界提供信息，。在輸入節點中，不進行任何的計算，僅向隱藏節點傳遞信息。

2）隱藏節點（Hidden Nodes）：隱藏節點和外部世界沒有直接聯系。這些節點進行計算，并將信息從輸入節點傳遞到輸出節點。隱藏節點也稱為隱藏層。盡管一個前饋神經網絡只有一個輸入層和一個輸出層，但網絡里可以沒有也可以有多個隱藏層。

3）輸出節點（Output Nodes）：輸出節點也稱為輸出層，負責計算，并從網絡向外部世界傳遞信息。

在前饋網絡中，信息只單向移動——從輸入層開始前向移動，然后通過隱藏層，再到輸出層。在網絡中沒有循環或回路。

MLP多層感知器就是前饋神經網絡的一個例子，除了一個輸入層和一個輸出層以外，至少包含有一個隱藏層。單層感知器只能學習線性函數，而多層感知器也可以學習非線性函數。

MLP訓練過程：

一般采用BP反向傳播算法來訓練MPL多層感知器。采用BP反向傳播算法就像從錯誤中學習。監督者在人工神經網絡犯錯誤時進行糾正。MLP包含多層節點；輸入層，中間隱藏層和輸出層。相鄰層節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，能夠知道期望的輸出（標注）。

MLP訓練過程大致如下：

1）所有邊的權重隨機分配；

2）前向傳播：利用訓練集中所有樣本的輸入特征，作為輸入層，對于所有訓練數據集中的輸入，人工神經網絡都被激活，然后經過前向傳播，得到輸出值。

3）反向傳播：利用輸出值和樣本值計算總誤差，再利用反向傳播來更新權重。

4）重復2）～3）， 直到輸出誤差低于制定的標準。

上述過程結束后，就得到了一個學習過的MLP網絡，該網絡被認為是可以接受新輸入的。

MLP優點：

1）高度的并行處理；

2）高度的非線性全局作用；

3）良好的容錯性；

4）具有聯想記憶功能；

5）非常強的自適應、自學習功能。

MLP缺點：

1）網絡的隱含節點個數選取非常難；

2）停止閾值、學習率、動量常數需要采用”trial－and－error”法，極其耗時；

3）學習速度慢；

4）容易陷入局部極值；

5）學習可能會不夠充分。

MLP應用：

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，由于深層學習的成功，MLP又重新得到了關注。

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，并在計算神經學及并行分布式處理領域中，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，可以被用來擬合復雜的函數，或解決分類問題。

結語：

MLP多層感知器是一種前向結構的ANN人工神經網絡， 它能夠處理非線性可分離的問題，值得深入研究。為了實現MLP多層感知器，會用到BP反向傳播算法。MLP可使用任何形式的激活函數，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。MLP算法應用范圍較廣，擴展性也強，可應用于語音識別、圖像識別、機器翻譯等領域。