如果在一个感知器的输入和输出之间再嵌套一层或多层的感知器，就可构成多层网络，我们称为多层感知器（Multi-Layer Perceptron，MLP）。一个功能强大的人工神经网络如同复杂的人脑神经网络一样，通常由大量的神经元相互连接构成。
图2-3（a）中每个圆圈都表示一个神经元，线条表示神经元之间的连接。从图2-3（a）中我们可以看出，人工神经网络被分成了多层，层与层之间的神经元有连接，而层内之间的神经元没有连接。最左边的层叫作输入层（input layer），负责接收输入数据；最右边的层叫作输出层（output layer），我们可以从这层获取神经网络输出数据。输入层和输出层之间的层叫作隐藏层（hidden layer）。
隐藏层比较多（至少大于2层）的神经网络我们称为深度神经网络（Deep Neural Network，DNN），如图2-3（b）所示，因此我们常常把使用DNN深层架构的机器学习方法称为深度学习。相比浅层网络，深层网络表达力更强。仅有一个隐藏层的神经网络能拟合任何一个函数，但是它需要很多的神经元。而深层网络则可用少得多的神经元拟合同样的函数。也就是为了拟合一个函数，要么使用一个浅而宽的网络，要么使用一个深而窄的网络，后者往往更节约资源。(www.zuozong.com)
深层网络的困难在于并不好训练，为了能卓有成效地利用深层神经网络，除了大量数据和强大算力外，也需要有更有效的训练算法。在深层神经网络中，多层感知器的训练经常采用误差反向传播（error Back Propagation，BP）算法，从而得到了BP深层网络结构（即BP-DNN结构），采用BP算法的多层感知器是至今为止应用最广泛的神经网络。下面我们将重点介绍BP算法。
图2-3 多层感知器模型
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
