若第一隐层权矩阵是W1，偏置向量是b1，，激活函数是f1； 第二隐层权短阵是W2，偏置向量是b2，激活函数是f2： 输出层权矩阵是W3，偏置是b3，激活函数是士3。 （1）说明该多层感知器神经网络训练过程中可学习参数的数目 （不包括超参数）。 2）给出该神经网络输出y的表达式。

1. 可学习参数的数目包括权重和偏置。对于这个多层感知器神经网络，可学习参数的数目为：

W1: n1 * m1

b1: n1 * 1

W2: n2 * m2

b2: n2 * 1

W3: n3 * m3

b3: n3 * 1

其中，n1是第一隐层神经元的个数，m1是输入层神经元的个数；n2是第二隐层神经元的个数，m2是第一隐层神经元的个数；n3是输出层神经元的个数，m3是第二隐层神经元的个数。

所以，可学习参数的数目为 n1 * m1 + n1 + n2 * m2 + n2 + n3 * m3 + n3。

2. 该神经网络输出y的表达式为：

y = f3(W3 * f2(W2 * f1(W1 * x + b1) + b2) + b3)

其中，x是输入向量，f1、f2、f3分别为第一隐层、第二隐层和输出层的激活函数，W1、W2、W3分别为第一隐层、第二隐层和输出层的权重矩阵，b1、b2、b3分别为第一隐层、第二隐层和输出层的偏置向量。