多层感知器（MLP）是一种非常简单的神经网络，（我个人觉得就是除了循环神经网络，卷积神经网络网络以外，什么特别功能都没有的全连接神经网络，非常普通）
接下来我们看一个最简单的MLP结构：
最简单的MLP是三层结构（输入层-隐藏层-输出层），如下图所示：
多层感知机的层与层之间是全连接的，即每一层的任意一个神经元均与其前一层的所有神经元有连接，这种连接其实代表了一种权重加和。
例如：
从输入层到隐藏层：我们用X代表输入，H代表隐藏层，则H=f(W1X + B1)，其中W1代表权重，B1代表偏置，函数f通常是非线性的，叫做激活函数。
常见的激活函数有：Sigmoid（S型激活函数，将输入映射到一个0到1之间的值，
）
）tanh（双曲正切函数，将输入映射到一个-1到1之间的值，
）
）ReLU（近似生物神经激活函数，它的函数形式是f(x)=max(0,x)）
Softmax（在多分类中常用的激活函数，是基于逻辑回归的。P(i)=exp(θTix)∑Kk=1exp(θTkx) ）
从隐藏层到输出层：我们用Y代表输出，则Y=G(W2H + B2)，其中W2和B2均为训练参数。函数G是激活函数，常见的有Softmax（用于多分类）
这样，我们就得到了一个从输入到输出的关系，我们最终就是通过监督学习方法求得W1、B1、W2、B2。通常利用反向传播算法（BP）和最优化算法对权重更新，迭代更新参数，直至满足某个条件为止。
由于deep learning框架我经常使用的Keras，所以就以Keras为例，让我们具体来看一下在Keras里面如何实现MLP：
- sequence_input = Input(shape=(MAX_SEQUENCE_LENGTH,DIM), dtype='int32')
- dense_1 = Dense(100,activation='tanh')（sequence_input）
- dense_2 = Dense(2, activation='softmax')(dense_1)
- max_pooling = GlobalMaxPooling1D()(dense_2)
- model = Model(sequence_input, dense_2)
更多免费技术资料可关注：annalin1203
