笔趣阁

第567章 多层感知机（第2页）

sigid，

tanh

等激活函数，使得神经网络可以学习复杂的关系。

整个过程可以层层推进，直到输出层最终给出结果。

2。

为什么单层感知机不够？（国王的错误决策）

想象国王直接让一群初级顾问（单层感知机）做最终决策，那会发生什么？

他们只能依据简单的标准，比如：

?

“谁的力量最强？”

?

“谁的智慧最高？”

但如果候选人需要同时具备力量+智慧+忠诚+勇气，单层感知机就无能为力了。因为它只能学习线性关系，而无法组合多个因素进行复杂决策。

数学上，单层感知机只能表示线性可分问题，但现实世界的很多问题是非线性的。例如：

?

逻辑异或（xor）问题：单层感知机无法解决，因为它不是线性可分的。

?

图像识别：不能仅靠像素的亮度判断物体，需要多层特征提取。

?

自然语言处理：单个词的出现不够，需要理解语境关系。

这就是为什么国王需要多层顾问（mlp）——多层神经网络可以逐步提取复杂特征，使得最终决策更加准确！

3。

mlp

如何学习？（国王的顾问如何改进决策）

国王知道自己的顾问系统有缺陷，于是决定引入一套学习机制，让顾问们通过经验不断优化决策。

（1）前向传播（forward

propagation）

国王向顾问们提交候选人名单，每个顾问按照自己擅长的领域打分，然后层层传递，最终大祭司给出决策。

数学上，这就是：

1。

每一层计算：

2。

通过激活函数：