神經網路的經典架構 – 多層感知器 MLP

因為Perceptron結構的侷限，無法解決更複雜的問題。

既然一個無法解決，於是就將多個連在一起，總可以解決了吧。

於是將無數個Perceptron連結，同時加上適當的激發函數，組成多層感知器Multilayer Perceptron(MLP)。

在資料傳遞上，單位神經元的輸出也可以變成下一層神經元的輸入，讓數據型態變得更高維，不斷的在向量空間映射。

可以同時融入更多參數集合的演算法，相比單元感知器，多層感知器面對更複雜的問題能進行更有效的模擬。

在上圖中，每個神經元都是一個Perceptron，這樣解體的概念就變的很有意思。

原本一個Perceptron只能解決最簡單的線性問題，現在結構裡有無數個權重以及神經元，面對問題的複雜度就大幅提升。

資料數據傳遞過程，每個節點也如 Perceptron 模型一樣，將前一層數據與權重內積後，經過激發函數傳至下一層節點，直到傳到輸出層為止。

除了在結構上的優化，同時導入了激發函數的應用，取代了原本全或無的激發態，而能達到更好的非線性擬合問題。

誤差函數與反向傳播法的應用，讓複雜結構的神經網路，得到更優化的權重更新。

這部分將在之後的內容繼續探討與介紹。

Jyajyun完整的AI學習文件目錄

1. 最小單元神經網路結構 – 感知器，PERCEPTRON
2. 激發函數(ACTIVATION FUNCTION)的可視化與理解
3. 神經網路的經典架構 – 多層感知器 MLP
4. 神經網路的學習規則
5. 神經網路 向前傳遞 公式推導
6. 神經網路 計算誤差值 公式推導
7. 如何理解神經網路裡的梯度下降