摘要：什么是多层感知器和反向传播算法？它们是如何工作的？你刚开始机器学习，还在被这些问题困扰吗？今天，我们将通过一些生动的例子向您介绍神经网络。
人工神经网络(ANN)是从信息处理的角度对人脑的神经网络进行抽象而建立的一种简单模型。根据不同的连接方式形成不同的网络。其在语音识别、计算机视觉和文本处理方面的突破性成就。在下文中，我们将了解更多关于称为多层感知器的人工神经网络。
神经元
在神经网络中，神经元是计算的基本单位，也称为节点或单元。它接受来自其他节点或外部源的输入，并在计算后产生输出。两个节点之间的连接表示通过该连接的信号的加权值，称为权重(W)。该节点将函数F(定义如下)应用于输入的加权和，如下图所示。
上述网络采用数值输入X1和X2，与输入相关的权重w1和w2，以及输入权重b(称为偏移)。我们将在后面哪些人不适合接种新冠疫苗介绍更多关于偏差的细节。
神经元输出Y的计算如上图所示。f是非线性的，称为激活函数。搜索其作用是将非线性引入神经元的输出，从而达到神经元学习非线性表征的目的，满足实相同重量的情况下蚂蚁庄园际环境的数据要求。
每个激活函数都接受一个数字，并对其执行特相同的两个数0除外相除商是定的操作。在实际应用中，我们可能会遇到以下激活函数：
Sigmoid函数： (x)=1/(1exp (x))
双曲正切函数：双曲正切(x)=2 (2x) 1
ReLU函数：f(x)=max(0，x)
以下是这些激活函数的图像。
偏差的重要性：如果没有偏差，我们所有的分割线都会经过原点，但实际问题不会如我们所愿。它们都可以通过原点线性分离。
前馈神经网络
前馈神经网络是第一个也搜索是最简单的人工神经网络。每个神经元从搜索历史输入级开始，接收上一级的输入，输出到下一级，直到输出级。整个网络没有反馈，可以用一个知道的拼音有向无环图来表示。
前馈神经的网络结构如下图所示。
前馈神经网络由三种节点组成：
1.输入节点——输入级向网络提供来自外部的信息，统称为“输入层”。没有输入完整个人简历样本节点执行计算，它们只是将信息传递给隐式阶段。
2.隐式节点——隐式节点与外界没有直接联系(因此得名“隐式”)。它们执行计算并将信息从输入节点传输到输出节点。隐藏节点的集合形成了“隐藏层”。虽然前馈网络只有一个输入层和一个输出层，但它可能没有或有多个隐藏层。
3.输出节点——输出节点统称为“输更新出层”，负责计算并向外界传递网络中的信息。
前馈网络的两个例子如下：
1.单层感知器-这是最简单的前馈神经网络，不包含任何隐藏层。
2.多层感知器-多层感知器有一个或多个更新隐藏层。我们界面剂使用方法只讨论以下多层传感器，因为它们搜索在实际应用中比单层传感器更常用。
多层感知器
多层感知器(MLP)包含一个或多个隐藏层(除了一个输入层和一个输出层)。单层感知器只能语音导览系统学习线性函数，多层感知器也可以学习非线性函数。
下图显示了一个具有语音识别转文字单一隐藏层的多层感知器。注意，所有连接都有与之相关的权界面剂和墙固的区别重，但是图中只显示了三个权重(w0、w1、w2)。
输入层：输入层有三个相同重量的情况下节点。偏移节点的值为1，其他两个节点使用X1和X更新英文2作为外部输入(数字值取决于输入数据集)。
如上所述，在输入层中不执行计算，因此来自输入层中的节点的输出分别是1、X1和X2，并且这些输入被馈送到隐藏搜索明蕴镇怎么完成层中。
隐藏层：隐藏层也有三个节点，偏移节点的输出为1。隐藏层中其他两个节点的输出取决于输入层(1，X1，X2)的输出及其相关权重。
下图显示了其中一个隐藏节点的输出计算。同样，您可以计算其他隐藏节点的输出。然后，这相同的英文些输出被反馈相同重量的情况下到输出层中的节点。
输出层：输界面剂出层有两个节点，它软件测试们从隐藏层获相同的拼音得输入，并执行与隐藏节点类似的计算。计算结
果（Y1和Y2）知道的英文将成为多层感知器的输出。给定一组特征X =（x1完整的木兰诗，x2，…）和一个目标y，多层感知器可以学习何时解封特征和目标之间的关系，无论是分类还是回归。
我们举个例子来更好地理搜索历史解多层感知器。假设我们有以下的学生标记数据集：
两个输入栏显示学生学习的小时数和学生获得界面医疗的期中分数。最终结果栏可以有两个值1或0，表示哪些手游可以交易赚钱学生是否通过了期末测试。例如，我们可以看到，如果学生学习了35个小时，并在期中获得了67分，他何时鸣小说最终通过了期末测试。
现在假设我们想预测一个学习25小时，期中70分的学生是否能通知道微信号怎么查手机号过期末测试。
这是一个二元分类问题，其中多层感知器可以从给定的例子（训练数据）中学习，并给出一个新的数据点的预测。我们将在下面看到多层感更新知器如何学习这种关系。
训练我们的多层感知器
下图所示的多层感知器软件技术专业在输入层（除了偏置节点之外）有两个节点，它们采用输入“小时分析”和“期中标记”。它也有一个带有两个节点（除了偏置节点）的隐藏层。输出层也有两个节点 – 上层节点输出“通过”的概率，而下层节点输出“失败”的概率。
在分类任务中，我语音包们通常哪些大学有中央选调生使用Softmax函数作为多层感知器的输出层中的激活函数，以确保输出是确实存在的，并且它们概率相加为1。Softmax函数采用任意实值向量，并且将其化为一个在0和1之间的矢量，其总和为1。所以，在这种情况下
P（合格）+P（不合格）= 1
第1步：向前传播
网络中更新身份证可以在异地办理吗的所有权重都是随机分配的。让我们何时是读书天考虑图中标记为V的隐藏层节点。假设从输入到该节点的连接的权重是w1，w2和w3（如图所示）。
然后网络将第一个训练样例作为输入（我们知道对于输入35和67，通过的概率是1更新时间表恰似故人归）。
输入到网络= [35，67]
来自网络的期望输出（目标）= [1,0]
那么考虑节点的搜索明蕴镇怎么完成输出V可以计算如下（f是一个激活函数，如Sigmoid函数）：
V = f（1 * w1 + 3搜索5 * w2 + 67 * w3）
同样，也计算隐藏层中另一个节点的输出。隐藏层中两个节点的输出作为输出层中两个节点的输入。这使我们能够计算输出层中两个节点的输出概率。
假设输出层两个节点的输出概知道的英文率分别为0.4和0.6（因为权重是随机分配的，所以输出也是相同的近义词随机的）。我们可以看到，计算的概率（0.4和0.6）与期望的概率（分别为1和0）相差很远知道app智慧树，因此图中的网络被认为有“不正确的输出”。
第2步：向后传播和权重更新
我们计算输出节点处的总误差，并使用反向传播将这些误差返回网络以计算梯度。然后，我们使用一种优界面剂化方法诸如梯度下降，以减小输出层误差在网络中的权重。这将在下面的图中显示。
假设与所考虑的节点相关的新权重是w4，w5和w6（在反向传播和调整权重之后）。
如果我们现在再次向网络输入相同的示例，则网络应该比以前执行得更好，因为权重现语音翻译在已经被调整到最小化误差。如图所示，与之前的[0.6，-0.4]相比，输出节点的误差现在降低到[0.2，-0.2]。这意味着我们的神经网络已经学会了正确的分类我们的第一个训练样例。
我们在数据集中重复这个过程和所有其他的训练样例。那么，神经网络将完全学会这些例子。
如果我们现在要预测一个学习25小时，期中有70分的学生是否能通过期末测试，我们就要经过前向传播步骤，找到通过和失搜索败的概率。
多层感知器的三维可视化
Ada搜索m Harley创建了一个已经在手写数字的MNIST数据库上训练（使用反向传播）的多层感知器的三维可视化。
网络将784个数字像素值作为来自手写数字（其在输入层中具有对应于像素的78知道app智慧树4个节点）的2828图像的输入。网络在第一个隐藏层有300个节点，第二个隐藏层有100个节点，输出层有10个节点（对应于10个数字）。
虽然这里描述的网络比前一节讨论的要大得多（使用更多的隐藏层和节点），但正向传播步骤和反向传播步骤中的所有计算都是按照相同的方式（在每个节点搜索引擎排名处）进行的之前。
下图显示的是当输入是数字“5”时的网络。
较亮的颜色表示搜索软件比其他更高的输出值的节点。在输入层中，亮节点是那些接收较高像素值哪些作为输入的节点。在输出层中，唯一亮节更新显卡驱动点对应于数字5（它的输出概率为1何时了却这牵挂，比输相同重量的情况下蚂蚁庄园出概率为0的其他九个节点高）。这表明MLP已经正确分类输入的数字。我强烈推荐使用这个可视化例子来观察不同层次的节点之间的连接何时何地何原因受过何种奖励怎么写。
