多层感知机（MLP：Multi-Layer Perceptron）由感知机(PLA: Perceptron Learning Algorithm)推广而来。它最主要的特点是有多个神经元层，因此也叫深度神经网络(DNN: Deep Neural Networks)。
感知机是单个神经元模型，是较大神经网络的前身。神经网络的强大之处在于它们能够学习训练数据中的表示，以及如何将其与想要预测的输出变量联系起来。从数学上讲，它们能够学习任何映射函数，并且已经被证明是一种通用的近似算法。
神经网络的预测能力来自网络的分层或多层结构。而多层感知机是指具有至少三层节点，输入层，一些中间层和输出层的神经网络。给定层中的每个节点都连接到相邻层中的每个节点。输入层接收数据，中间层计算数据，输出层输出结果。
下面让我们来简单的看一下多层感知机的推导过程吧。
举个栗子：我们在输入层输入三个变量[x1,x2,x3]以及一个偏置量b，偏置量的作用是给网络分类增加平移的功能。 然后我们设置隐层为1层，输出神经元个数为3个。可以得到如下的神经网络结构：
每层的神经元被称为节点，那么针对于一个多层感知机，我们应该如何选择层数和隐层节点数呢？
通常情况下，我们只需要一个隐层，就可以模拟任何我们想要的函数。所以，大多情况下我们使用一个三层的感知机即可（包含输入层，一个隐层，一个输出层）。
那么，节点又该怎么选择呢？
如果隐层节点过少，网络结构简单，学习能力不够。如果隐层节点过多，不仅会大大增加网络结构的复杂性，而且学习过程中更易陷入局部极小点，学习速度会变得很慢。
我们一般有以下几种方法来选择隐层的节点数：
我们一般可以使用以下几个公式来选择节点数（当然也可以自己选择）
对于每个隐层的节点，我们都将会使用激活函数激活此节点。
通常情况下，节点根据前一层节点的加权总和来激活，即每个连接点的权重乘以该节点的激活函数的总和。
每个节点仅从前一层获取输入值，因此权重是同一层中节点的唯一区分依据。
常见的激活函数有：sigmoid函数，tanh函数
在训练神经网络时，我们预期的输出是输出层中每个节点的激活级别。根据实际激活情况，我们可以找到每个节点的cost（损失成本）。并根据损失成本的不同，相应地调整权重。
反向传播的算法就是根据每个节点的损失成本调整确定每个节点激活的权重。简单来说，在上文中，我们已经了解了如何选择隐层数目和节点数目的相关知识了。那么问题来了，我们应该如何去选择每个节点的权重呢？
这就要用到我们所说的反向传播算法了。
在本节中，我们了解了多层感知机（MLP）神经网络以及其他神经网络的相关知识。我们了解了节点是什么，掌握了节点的计算方法。最后我们立即饿了反向传播的含义，知道了如何去选择节点的权重。
自学自用，希望可以和大家积极沟通交流，小伙伴们加油鸭。创作不易，动起可爱的双手，来个赞再走呗 (๑◕ܫ￩๑)
