多层感知机mlp原理介绍基础代码

多层感知机（Multilayer Perceptron, MLP），是一种前馈神经网络，由输入层、隐藏层和输出层组成。每一层都包含若干个节点，节点之间通过权重连接，并应用激活函数进行非线性转换。

MLP的基本工作原理如下：
1. **输入层**：接收原始数据，比如特征向量。
2. **隐藏层**：对输入进行多次加权求和（线性变换）后，再通过激活函数（如sigmoid、ReLU等）处理，引入非线性，使得模型能学习到复杂的函数关系。
3. **输出层**：最后一层通常采用与任务对应的激活函数，例如对于分类任务可能是softmax，输出每个类别的概率；对于回归任务则可能直接输出连续值。

以下是使用Python和深度学习库Keras的一个简单MLP示例代码：

import keras
from keras.models import Sequential
from keras.layers import Dense

# 创建一个序列模型
model = Sequential()

# 添加一个输入层（假设数据有10个特征）和一个隐藏层（16个神经元）
model.add(Dense(16, input_dim=10, activation='relu'))

# 再添加一个隐藏层（同样16个神经元）
model.add(Dense(16, activation='relu'))

# 输出层，根据任务调整（如10分类用softmax，回归用linear）
model.add(Dense(num_classes, activation='softmax'))  # num_classes是类别数

# 编译模型，指定损失函数、优化器和评估指标
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(X_train, y_train, epochs=10, batch_size=32)

# 预测新数据
predictions = model.predict(X_test)