人工神经网络是一种受生物神经网络启发的计算模型，该模型在人脑中处理信息。 人工神经网络在语音识别，计算机视觉和文本处理领域取得了一系列突破，令机器学习研究和行业兴奋不已。 在此博客文章中，我们将尝试了解一种称为多层感知器的特定人工神经网络。

单个神经元：神经网络中计算的基本单位是神经元，通常称为“节点”或“单位”。 该节点从其他节点接收输入或从外部源接收输入，然后计算输出。 每个输入都辅以“权重”（w），其权重取决于其他输入的相对重要性。 节点将函数f（定义如下）应用于加权输入总和，如图1所示：

该网络接受权重为w1和w2的X1和X2的数字输入。 还有权重为b的输入1（称为“偏差”）。 稍后我们将详细介绍偏置的作用。

计算神经元Y的输出，如图1所示。函数f是非线性的，称为激活函数。 激活函数的功能是将非线性引入神经元的输出。 由于现实世界中的大多数数据都是非线性的，因此我们希望神经元能够学习非线性的功能表示，因此该应用至关重要。

每个（非线性）激活函数都会接收一个数字并执行特定的固定数学计算。 实际上，您可能会遇到几种激活函数：sigmoid,tanh,ReLU在之前的文章详细介绍过了，不再描述。

偏置的重要性：偏置的主要功能是为每个节点提供可训练的常数值（超出该节点接收的常规输入）。
前馈神经网络：前馈神经网络是第一个发明，也是最简单的人工神经网络[3]。 它包含多层排列的多个神经元（节点）。 相邻的层节点具有连接或边。 所有连接均已加权。

前馈神经网络可以包含三种节点：
单层：这是最简单的前馈神经网络，不包含任何隐藏层。
多层感知：多层感知具有至少一个隐藏层。 我们将仅在下面讨论多层感知器，因为它们在当今的现实世界中比单层感知器更有用。
多层感知器：多层感知器（MLP）至少包含一个隐藏层（一个输入层和一个输出层除外）。 单层传感器只能学习线性函数，而多层传感器也可以学习非线性函数。

输入层：输入层具有三个节点。偏移节点值为1.其他两个节点从X1和X2接受外部输入（均为来自输入数据集的数字值）。如上所述，在输入层不执行任何计算，因此输入层节点的输出为1，并将三个值X1和X2传递给隐藏层。

隐藏层：隐藏层也有三个节点，偏移节点的输出为1。隐藏层的其他两个节点的输出取决于输入层的输出（1，X1，X2）和连接上附加的权重（边界）。图下显示了隐藏层（突出显示）中输出的计算。其他隐藏节点的输出以相同的方式计算。注意，f表示激活功能。这些输出将传递到输出层中的节点。

输出层：输出层有两个节点，它们从隐藏层接收输入，并执行与突出显示的隐藏层相似的计算。作为计算结果的这些计算值（Y1和Y2）是多层感知机的输出。给定一系列特征X =（x1，x2，…）和目标Y，一个多传感器为分类或回归目的学习特征与目标之间的关系。

训练我们的多层感知器：反向传播算法
反向传播错误（通常缩写为“反向传播”）是训练人工神经网络的几种方法之一。这是一种有监督的学习方法，它通过标记的培训数据来学习（由主管指导学习）。总之，BackProp就像“从错误中学习”。人工神经网络犯错误时，主管会纠正。
人工神经网络包含多层节点。输入层，中间隐藏层和输出层。相邻的层节点通过“权重”连接。学习的目的是为这些边缘分配正确的权重。通过输入向量，这些权重可以确定输出向量。
在监督学习中，标记训练集。这意味着对于某些给定的输入，我们知道期望/期望的输出（注释）。
反向传播算法：最初，所有边缘权重都是随机分配的。对于训练数据集中的所有输入，将激活人工神经网络并观察其输出。将这些输出与我们已经知道并期望输出的内容进行比较，并且错误“传播”回上一级。错误将被标记，重量将相应地“调整”。重复此过程，直到输出误差低于既定标准为止。
上述算法完成后，我们得到了一个学习过的人工神经网络，该网络被认为是可接受的“新”输入。人工神经网络可以说是从几个样本（带注释的数据）及其错误（错误传播）中学习的。

总的来说：
Perceptron是线性分类器（二进制）。 此外，它还用于监督学习中。 它有助于对给定的输入数据进行分类。

第一步：a. All the inputs x are multiplied with their weights w. Let’s call it k.

第二步， 将所有相乘的值相加，并将它们称为加权总和。

第三步：将该加权和应用于正确的激活函数。

为什么我们需要权重和偏置？
权重显示特定节点的强度。
偏置值使您可以向上或向下移动激活功能曲线。