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)
1 N  ~) R2 X' ~# i. \" C人工神经网络(ANN)由许多相互连接的神经元组成:
+ I% s. V- Q* [来自人工神经网络（ANN）的单个神经元
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。
4 i0 O# W; O5 C. D9 F, G* Y# }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:
) {! _9 v; f5 g- U, Y一些热门激活函数
2 i0 Y6 G/ P- f2 X1 U- {, e- `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
) V% W, Y9 t- _2 m# d4 m神经元的输出值（例如-0.05）通常是另一个神经元的输入。

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
Perceptron是最早的神经网络之一，仅由一个神经元组成
$ W" T- }) I& v+ j6 Z8 i4 q最早的神经网络之一被称为感知器，它只有一个神经元。
3 K& b6 O/ ~9 x4 z, a, }+ B/ F感知器
' @+ U; Y% x( S; i) @2 r: C9 C" _感知器神经元的输出作为最终的预测。
- H! x7 {+ o0 }! R6 {
" a% D9 ?/ b, {( O! S, n
4 n/ V8 r( a( Y0 z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