常见神经网络——MLP多层感知机（前馈神经网络）

参考：

神经网络1：多层感知器-MLP – 知乎 (zhihu.com)

神经网络（容易被忽视的基础知识） – 知乎 (zhihu.com)

我们一般用深层的神经网络而不是浅层“肥胖”的网络，因为当准确率差不多的时候，参数的数量却相差数倍。

说神经网络多少层数的时候一般不包括输入层。

目的：将线性模型扩展为非线性模型

最典型的MLP包括三层：输入层、隐层和输出层，MLP神经网络不同层之间是全连接的（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）。

超参数：隐藏层的个数和每个隐藏层输出的大小

神经网络主要有三个基本要素：权重、偏置和激活函数

权重：神经元之间的连接强度由权重表示，权重的大小表示可能性的大小

偏置：偏置的设置是为了正确分类样本，更好的拟合数据，是模型中一个重要的参数，即保证通过输入算出的输出值不能随便激活。 (12条消息) 神经网络中偏置的作用_Andy-Miao的博客-CSDN博客_神经网络中偏置的作用

激活函数：起非线性映射的作用，其可将神经元的输出幅度限制在一定范围内，一般限制在（-1~1）或（0~1）之间。最常用的激活函数是Sigmoid函数，其可将（-∞，+∞）的数映射到（0~1）的范围内；tanh是Sigmoid函数的变形，tanh的均值是0，在实际应用中有比Sigmoid更好的效果；ReLU函数是近来比较流行的激活函数，当输入信号小于0时，输出为0；当输入信号大于0时，输出等于输入。

对于最后的输出层，我们可以根据任务的种类来选择激活函数，如二分类任务中我们使用sigmoid函数（也就是logistic函数），多分类任务中使用softmax函数（得到的值都在0-1之间，看做概率）。