人工智能(58)–多层感知器

2022.11.03

    人工智能机器学习有关算法内容，请参见公众号“科技优化生活”之前相关文章。人工智能之机器学习主要有三大类：1）分类；2）回归；3）聚类。今天我们重点探讨一下多层感知器MLP。
    感知器（Perceptron）是ANN人工神经网络（请参见人工智能（25））的一个概念，由Frank Rosenblatt于1950s第一次引入。
    单层感知器（Single Layer Perceptron）是最简单的ANN人工神经网络。它包含输入层和输出层，而输入层和输出层是直接相连的。单层感知器仅能处理线性问题，不能处理非线性问题。今天想要跟大家探讨的是MLP多层感知器。

    MLP多层感知器是一种前向结构的ANN人工神经网络，多层感知器（MLP）能够处理非线性可分离的问题。
    MLP概念：
    MLP多层感知器（Multi－layerPerceptron）是一种前向结构的人工神经网络ANN，映射一组输入向量到一组输出向量。MLP可以被看做是一个有向图，由多个节点层组成，每一层全连接到下一层。除了输入节点，每个节点都是一个带有非线性激活函数的神经元。使用BP反向传播算法的监督学习方法来训练MLP。MLP是感知器的推广，克服了感知器不能对线性不可分数据进行识别的弱点。
    相对于单层感知器，MLP多层感知器输出端从一个变到了多个；输入端和输出端之间也不光只有一层，现在又两层：输出层和隐藏层。
    基于反向传播学习的是典型的前馈网络，其信息处理方向从输入层到各隐层再到输出层，逐层进行。隐层实现对输入空间的非线性映射，输出层实现线性分类，非线性映射方式和线性判别函数可以同时学习。
    MLP激活函数
    MLP可使用任何形式的激活函数，譬如阶梯函数或逻辑乙形函数（logistic sigmoid function），但为了使用反向传播算法进行有效学习，激活函数必须限制为可微函数。由于具有良好可微性，很多乙形函数，尤其是双曲正切函数（Hyperbolictangent）及逻辑乙形函数，被采用为激活函数。
    激活函数的作用是将非线性引入神经元的输出。因为大多数现实世界的数据都是非线性的，希望神经元能够学习非线性的函数表示，所以这种应用至关重要。

    MLP原理：
    前馈神经网络是最先发明也是最简单的人工神经网络。它包含了安排在多个层中的多个神经元。相邻层的节点有连接或者边（edge）。所有的连接都配有权重。
    一个前馈神经网络可以包含三种节点：
    1）输入节点（Input Nodes）：也称为输入层，输入节点从外部世界提供信息，。在输入节点中，不进行任何的计算，仅向隐藏节点传递信息。
    2）隐藏节点（Hidden Nodes）：隐藏节点和外部世界没有直接联系。这些节点进行计算，并将信息从输入节点传递到输出节点。隐藏节点也称为隐藏层。尽管一个前馈神经网络只有一个输入层和一个输出层，但网络里可以没有也可以有多个隐藏层。
    3）输出节点（Output Nodes）：输出节点也称为输出层，负责计算，并从网络向外部世界传递信息。
    在前馈网络中，信息只单向移动——从输入层开始前向移动，然后通过隐藏层，再到输出层。在网络中没有循环或回路。

    MLP多层感知器就是前馈神经网络的一个例子，除了一个输入层和一个输出层以外，至少包含有一个隐藏层。单层感知器只能学习线性函数，而多层感知器也可以学习非线性函数。
    MLP训练过程：
    一般采用BP反向传播算法来训练MPL多层感知器。采用BP反向传播算法就像从错误中学习。监督者在人工神经网络犯错误时进行纠正。MLP包含多层节点；输入层，中间隐藏层和输出层。相邻层节点的连接都有配有权重。学习的目的是为这些边缘分配正确的权重。通过输入向量，这些权重可以决定输出向量。在监督学习中，训练集是已标注的。这意味着对于一些给定的输入，能够知道期望的输出（标注）。

    MLP训练过程大致如下：
    1）所有边的权重随机分配；
    2）前向传播：利用训练集中所有样本的输入特征，作为输入层，对于所有训练数据集中的输入，人工神经网络都被激活，然后经过前向传播，得到输出值。
    3）反向传播：利用输出值和样本值计算总误差，再利用反向传播来更新权重。
    4）重复2）～3），直到输出误差低于制定的标准。
    上述过程结束后，就得到了一个学习过的MLP网络，该网络被认为是可以接受新输入的。
    MLP优点：
    1）高度的并行处理；
    2）高度的非线性全局作用；
    3）良好的容错性；
    4）具有联想记忆功能；
    5）非常强的自适应、自学习功能。
    MLP缺点：
    1）网络的隐含节点个数选取非常难；
    2）停止阈值、学习率、动量常数需要采用”trial－and－error”法，极其耗时；
    3）学习速度慢；
    4）容易陷入局部极值；
    5）学习可能会不够充分。

    MLP应用：
    MLP在80年代的时候曾是相当流行的机器学习方法，拥有广泛的应用场景，譬如语音识别、图像识别、机器翻译等等，但自90年代以来，MLP遇到来自更为简单的支持向量机的强劲竞争。近来，由于深层学习的成功，MLP又重新得到了关注。
    常被MLP用来进行学习的反向传播算法，在模式识别的领域中算是标准监督学习算法，并在计算神经学及并行分布式处理领域中，持续成为被研究的课题。MLP已被证明是一种通用的函数近似方法，可以被用来拟合复杂的函数，或解决分类问题。
    结语：
    MLP多层感知器是一种前向结构的ANN人工神经网络，它能够处理非线性可分离的问题，值得深入研究。为了实现MLP多层感知器，会用到BP反向传播算法。MLP可使用任何形式的激活函数，但为了使用反向传播算法进行有效学习，激活函数必须限制为可微函数。MLP算法应用范围较广，扩展性也强，可应用于语音识别、图像识别、机器翻译等领域。