深度学习简介：前馈神经网络FFNN（又名多层感知器MLP）

qdzs2000

深度前馈神经网络(FFNN) -又名多层感知器(MLP)
5 A" \/ W& m% n人工神经网络(ANN)由许多相互连接的神经元组成:
! j5 G4 x! l" F1 @) P* c来自人工神经网络（ANN）的单个神经元
  y1 f+ z% C$ l; A每个神经元接受一些浮点数(例如1.0、0.5、-1.0)，并将它们乘以一些称为权重的其他浮点数（例如0.7,0.6,1.4）（1.0 * 0.7 = 0.7,0.5 * 0.6 = 0.3， -1.0 * 1.4 = -1.4）。权重作为一种机制，用于关注或忽略某些输入。然后将加权输入(例如0.7 + 0.3 + -1.4 = -0.4)和偏差值(例如-0.4 + -0.1 = -0.5)相加。
% j1 _+ {/ H( x根据神经元的激活函数(y = f(x))，将求和后的值(x)转换为输出值(y)。以下是一些常用的激活函数:
一些热门激活函数
例如-0.5→-0.05，如果我们使用Leaky ReLU激活函数：y = f(x) = f(-0.5) = max(0.1*-0.5， -0.5) = max(-0.05， -0.5) = -0.05
3 N! L9 ^* P8 b( E$ K神经元的输出值（例如-0.05）通常是另一个神经元的输入。
  M) v$ J" |) d+ S3 X
3 f: Z+ `6 s0 ~/ ^; }- J神经元的输出值经常作为人工神经网络（ANN）中其他神经元的输入
& [( q' M! m  c. b, v' X3 `: I8 APerceptron是最早的神经网络之一，仅由一个神经元组成
2 \; _6 R# d5 A8 s5 d+ N+ }最早的神经网络之一被称为感知器，它只有一个神经元。
# L% X- d6 }" l; Q' `8 q' {! C感知器
感知器神经元的输出作为最终的预测。
" L2 c& i" y, T6 z) E5 R; b+ b% H

& _( P  o$ o/ N每个神经元都是一个线性二元分类器（例如输出值> = 0表示蓝色类，而输出值