MLP多层感知机

吴琳

一、多层感知机简介

人工智能如今已经成为大街小巷的热议话题，已经深刻的改变了许许多多的行业，人工智能与机器学习在医疗、神经科学、农业、信息安全、监控等领域的应用数不胜数，已经成为我们生活中不可或缺的一部分，而这一切的开端，都要从感知机[1]刚被发明出来说起。1960年，Pedro首次使用Delta学习规则用于感知器的训练步骤，这种方法后来被称为最小二乘方法，这两者的结合创造了一个良好的线性分类器，这个发现引起了第一波的AI浪潮，因为人们认为简单的感知机可以实现分类功能，那通过组合可以实现更复杂的功能，但是后面发现感知机无法模拟异或问题、无法处理非线性问题，第一波浪潮就这样沉入了低谷。但是依然有人在研究，2006年，Hinton提出了DBN，解决了更深层次的网络是可以通过一些策略更好的训练来实现，引起了深度学习的第三波浪潮。神经网络深度学习的发展加快了，越来越多的人开始研究这个领域，并且成果颇丰。

二、MLP算法描述

生物神经元主要由细胞体（神经元主体）、树突（神经元输入信息）、轴突（神经元输出信息）和突触（神经元之间输入输出信息的连接）组成。

2.1神经元模型。人工神经网络的基本成分是人工神经元，将许多个这样的神经元按一定层次连接起来，就得到神经网络。1943年，心理学家W.S.McCulloch和数理逻辑学家W.Pitts基于神经元的生理特征建立的单个神经元的数学模型（MP模型）是大多数神经网络的基础。

2.2感知机模型。感知机是一种早期的神经网络模型，也是作为神经网络的起源的算法，是一种前馈神经网络。感知器是通过模拟人的视觉，接受各种环境的信息，并能进行信息传递的神经网络。

2.2.1单层感知机。感知机由两层神经元组成，输入层接受外界输入信号后传递给输出层，感知机接受多个输入信号，输出一个信号，输入信号被送往神经元时，会被分别乘以固定的权重，神经元会计算传出过来的信息的总和，只有这个总和超过了某个界限值时，才会输出1，这就被称之为“神经元激活”，这个界限值被称为阈值。

2.2.2多层感知机。多层感知器是对单层感知器的推广，它能够成功解决单层感知器所不能解决的非线性可分问题（例如，异或（XOR）问题）。多层感知机在输入层与输出层之间多了隐藏层，每层神经元与下一层神经元全互连，隐藏层也有激活功能的神经元。

多层感知器与单层感知器相比具有2个突出的特点：（1）多层感知器含有一层或多层隐含神经元。隐含神经元逐步从输入模式中获得了更多有用的信息，可以使网络可以完成更复杂的任务。（2）多层感知器的多个突触使得网络更具连通性。网络连接的改变通过改变其突触连接数量或者其权值实现。

2.3反向传播运算

反向传播算法的核心是代价函数也称损失函数对网络中参数（各层的权重w和偏置b）的偏导表达式和。这些表达式描述了代价函数值C随权重w或偏置b变化而变化的程度。反向传播算法的思路比较容易容易理解：如果当前代价函数值距离预期值较远，那么我们通过调整w和b的值使新的代价函数值更接近预期值（和预期值相差越大，则w和b调整的幅度就越大）。一直重复该过程，直到最终的代价函数值在误差范围内，则算法停止。BP算法可以告诉我们神经网络在每次迭代中，网络的参数是如何变化的。

2.3.3算法总结

输入：训练集;

学习率

过程：

1：随机初始化网络所有连接权值和阈值

2：repeat：

3：for all do

4：根据当前参数（权值和阈值）和公式（2.10）计算出当前样本输出

5：根据公式（2.12～2.17）计算出梯度项

6：根据步骤5求的梯度，公式（2.18～2.21）计算出更新的权值和阈值

7：end for

8：until 达到停止条件

输出：连接权值与阈值确定的多层前馈神经网络

三、MLP多层感知机算法实现

下面将通过两个具体的例子，也是最经典的Mnist数据集和IRIS数据集的分类问题来说明这个算法的实验过程。

3.1实例

3.1.1准备数据集。使用数据集有MNIST数据集，它包含10类（对应手写数字：1，2，3，4，5，6，7，8，9，10）共60000张手写数字信息，以及对应的60000个标签分类，每条记录784项特征。数据集被划分为用于训练的50000张手写数字信息，和10000张用于测试的手写数字信息。

IRIS数据集，它包含3类共150条记录，每类记录都有4个特征（花萼长度、花萼宽度、花瓣长度、花瓣宽度）。

3.1.2数据预处理。首先对数据进行归一化处理，例如MNST是图片像素0-255映射和为0-1范围。最后输出通过判断概率大小，进而判断当前图片属于哪一类，为此针对每一个标签都重新构造以对应输出的10种情况。

3.1.3构建三层神经网络。构建神经网络对数据集进行训练，对测试集进行预测，查看分类后的精度和误差以反馈此训练模型的泛化能力。同时通过可视化的图像反映出学习率不同、迭代次数不同、隐藏节点不同情况下的效果对比。

3.1.4训练网络。选择学习率，导入训练数据集，定义好训练的次数和最小误差，直到训练达到理想状况，就结束。

3.1.5测试网络。根据测试数据集输出的结果来判断此网络的好坏，也就是最后的分类准确率来评价它的泛化能力。

3.2算法的实现结果

在对训练好的模型进行数据测试时，通过调节迭代次数，学习率，隐含层节点个数，权值初始化值等参数，获得不同的神经网络训练结果。通过图像对比结果。

3.2.1迭代次数的影响。一般来说，在一定范围类，迭代次数越多，模型训练越充分，分类精度就越高;由以下对学习率的实验结果来看，迭代次数越高，精度也会趋于一个稳定的状态。

3.2.2学习率的影响。学习率是控制每次更新参数的幅度的，也称为学习步长，是很重要的模型超参。过高和过低的学习率都可能对模型结果帶来不好的影响，合适的学习率可以加快模型的训练速度。

3.2.3隐含层节点个数的影响。输入由输入向量维数决定，输出由类别决定，而中间的隐藏层数及其节点个数并没有统一的结论。隐藏层单元的个数决定了网络的表达能力。一般隐藏层单元个数越多，网络学习到的东西就越多。

综上所述，一个实验的数据集预测精确度是受迭代次数（迭代次数不够，不能收敛，迭代次数太多，浪费时间）、学习率、隐含层节点个数多方面的因素影响的，并且目前没有一个统一的定论如何调参更优，都需要经过多次重复实验。

参考文献：

[1]张天欣.感知机理论研究综述[J].电子技术与软件工程，2017（22）：257-258.

[2]周志华.机器学习[M].北京：清华大学出版社，2016.1.

[3]机器学习及其算法和发展研究[J].张润，王永滨.中国传媒大学学报（自然科学版）.2016（02）

[4]Zhiyuan Ma， Wei Zhang， Zhongbing Luo等. Ultrasonic characterization of thermal barrier coatings porosity through BP neural network optimizing Gaussian process regression algorithm[J]. Ultrasonics，2020，100.

[5]孙即祥.现代模式识别（第二版）.高等教育出版社.2008.10.

（西华大学 四川省成都市 610039）