多层感知器(MLP)_mlp层

版权声明：本文为CSDN博主「Dominic221」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_38206214/article/details/81137911
一、前言
多层感知器(Multi-Layer Perceptron，MLP)也叫人工神经网络(Artificial Neural Network，ANN)，除了输入输出层，它中间可以有多个隐层。最简单的MLP需要有一层隐层，即输入层、隐层和输出层才能称为一个简单的神经网络。习惯原因我之后会称为神经网络。通俗而言，神经网络是仿生物神经网络而来的一种技术，通过连接多个特征值，经过线性和非线性的组合，最终达到一个目标，这个目标可以是识别这个图片是不是一只猫，是不是一条狗或者属于哪个分布。

1. MLP多层感知机

		有输入输出层，它中间可以有多个隐层，通过线性和非线性组合来识别一个目标
1

计算神经网络的输出：

首先我们先对图中的参数做一个解释：
其中，第0层(输入层)，我们将X1，X2和X3向量化为X；
0层和1层(隐层)之间，存在权重W1(X1到各个隐层)，W2…W4，向量化为W[1]，其中[1]表示第1层的权重，偏置B同理；
对于第1层，计算公式为
Z[1] = W[1]X + B[1]
A[1] = SIGMOID(Z[1])
Z[2] = W[2]A[1] + B[2]
A[2] = SIGMOID(Z[2])
YHAT = A[2]
其中YHAT即为本次神经网络的输出值。
其中Z为输入值的线性组合，A为Z通过激活函数SIGMOID的值，对于第1层的输入值为X，输出值为A，也是下一层的输入值；
1层和2层(输出层)之间，与0层和1层之间类似，其计算公式如下：
Z[2] = W[2]A[1] + B[2]
A[2] = SIGMOID(Z[2])
YHAT = A[2]
其中YHAT即为本次神经网络的输出值

3.全连接的层(全连接的意思就是：上一层的任何一个神经元与下一层的所有神经元都有连接)。

**

4.激活函数

为什么要使用激活函数：根据输出的计算可以发现，其实隐层的每个神经元是由输入特征x的线性组合构成。然而如果仅仅是线性组合，那么不管这个神经网络有多少层，结果都将与特征线性相关。于是我们在每个神经元结果z之后，添加一个激活函数(Activation Function)，改变线性规则，
：**在Sigmoid函数中，a的值在[0,1]之间，我们可以将其理解为一个阀。就像是人的神经元一样，当我们一个神经元受到的刺激时，我们并不是立刻感觉到，而是当这个刺激值超过了阀值，才会让神经元向上级神经元发出信号。

在选择激活函数的时候，如果不知道该选什么的时候就选择ReLU，当然具体训练中，需要我们去探索哪种函数更适

四、损失函数

在神经网络的训练中，我们通过损失函数(Loss Function)来衡量这个神经网络的训练是否到位了，看所描述的线是否与特征值吻合。

一般情况下，使用平方差来衡量：

事实上，我们一般不使用平方差来作为二分类问题的损失函数，因为平方差损失函数一般是非凸函数，我们可能会得到局部最优解，而不是全局最优解。因此我们选择如下函数：

交叉函数一般应用于二分类问题
其实，y为样本真实值，yhat为样本预测值；

当y=1时，yhat越接近1，L(yhat，y)越接近0，表示预测效果越好；

当y=0时，yhat越接近0，L(yhat，y)越接近0，预测效果越好。

那么我们的目标即为使损失函数到达最小值，其中损失函数针对单个样本。

代价函数(Cost Function)
全部训练数据集的损失函数的平均值，即为训练集的代价函数：

根据上述公式，可以发现代价函数其实是w和b的函数，实际上我们的目标是迭代来计算出最佳的w和b的值(矩阵)，使代价函数最小化(接近0)，也就是最好的训练结果