.定义多层感知器，损失函数，优化器等函数

多层感知器（Multilayer Perceptron，MLP），也称为前馈神经网络，是一种深度学习模型的基本组成部分。它由输入层、隐藏层和输出层组成，每层包含多个节点（神经元），并通过非线性激活函数连接。信息通过各层逐级传递，并在最后一层生成预测结果。

损失函数是用来衡量模型预测值与真实值之间的差距的指标。常见的损失函数有均方误差（Mean Squared Error, MSE）用于回归问题，交叉熵（Cross Entropy）常用于分类任务，尤其是对数似然损失。选择哪种损失函数取决于具体的任务类型。

优化器则是用于更新模型参数，以最小化损失函数的一组算法。常见的优化器有梯度下降法（Gradient Descent）、随机梯度下降（Stochastic Gradient Descent, SGD）、Adam、RMSprop等。它们通过计算损失函数关于参数的梯度，然后按照梯度方向调整参数值，使得损失逐渐减小。

在Python的深度学习库如TensorFlow或PyTorch中，可以这样简要地定义一个MLP模型：

import tensorflow as tf

# 定义超参数
learning_rate = 0.001
num_epochs = 50
hidden_layers = [64, 32]  # 隐藏层结构

# 创建一个简单的MLP模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(hidden_layers[0], activation='relu', input_shape=(input_dim,)),
    for layer in hidden_layers[1:]:
        tf.keras.layers.Dense(layer, activation='relu'),
    tf.keras.layers.Dense(num_classes, activation='softmax')  # 输出层
])

# 编译模型，指定损失函数和优化器
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate),
              loss='categorical_crossentropy', metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, epochs=num_epochs, validation_data=(x_val, y_val))