MLP层（深度学习）

MLP = Multi-Layer Perceptron，多层感知机，日常也常叫全连接层（Fully Connected Layer, FC），是深度学习最基础的网络层之一。

一、核心定义

由多层神经元全连接组成的网络结构：上一层每一个神经元，都和下一层所有神经元建立连接，没有局部感受野、没有权重共享。

二、结构组成

标准MLP一般包含三部分：

1. 输入层：接收特征向量（一维数据）
2. 隐藏层：一层或多层，搭配激活函数（ReLU、Sigmoid、Tanh等）做非线性变换
3. 输出层：输出最终结果（分类概率、回归数值等）

深度学习里说的 MLP层，大多特指全连接层。

三、主要作用

1. 特征融合/映射
   把卷积、池化、Transformer等模块提取的高维特征，转换成一维向量，再做特征组合与变换。
2. 维度变换
   自由调整特征维度（升维/降维）。
3. 最终分类/回归
   网络末尾几乎都用MLP/全连接层输出预测结果（如图像分类、文本分类）。

四、典型使用场景

1. CNN + MLP
   卷积网络提取图像局部特征 → 展平(Flatten) → 接入MLP全连接层 → 分类输出。
2. Transformer + MLP
   NLP/视觉Transformer中，每个编码器/解码器内部都包含Feed-Forward MLP（前馈多层感知机），对语义/视觉特征做非线性转换。
3. 传统表格数据、一维特征任务：直接用纯MLP搭建模型。

五、优缺点

✅ 优点：结构简单、逻辑直观、拟合能力强，擅长处理一维向量特征。
❌ 缺点：

• 参数极多，容易过拟合；
• 不具备局部感知、权重共享，处理图像、长序列等二维/高维数据效率低；
• 无法保留空间/位置信息。

六、简单示例

输入：1024维特征向量
→ MLP隐藏层（512神经元 + ReLU）
→ MLP输出层（10神经元 + Softmax）
→ 得到10分类结果。