跳转至

张量流中的多层感知器学习

原文:https://www.geesforgeks.org/多层-感知器-tensorflow 中的学习/

在本文中，我们将使用 TensorFlow 库了解多层感知器的概念及其在 Python 中的实现。

多层感知器

多层感知也被称为 MLP。它是完全连接的密集层，可以将任何输入维度转换为所需维度。多层感知是具有多层的神经网络。为了创建一个神经网络，我们将神经元组合在一起，使得一些神经元的输出成为其他神经元的输入。

这里可以找到对神经网络和张量流的温和介绍:

多层感知器有一个输入层，对于每个输入，有一个神经元(或节点)，它有一个输出层，每个输出有一个节点，它可以有任意数量的隐藏层，每个隐藏层可以有任意数量的节点。多层感知器(MLP)的示意图如下所示。

在上面的多层感知器图中，我们可以看到有三个输入，因此有三个输入节点，隐藏层有三个节点。输出层给出两个输出，因此有两个输出节点。输入层中的节点接受输入并将其转发以供进一步处理，在上面的图中，输入层中的节点将其输出转发给隐藏层中的三个节点中的每一个，以同样的方式，隐藏层处理信息并将其传递给输出层。

多层感知中的每个节点都使用一个 sigmoid 激活函数。sigmoid 激活函数将实数值作为输入，并使用 sigmoid 公式将其转换为 0 到 1 之间的数字。

α(x) = 1/( 1 + exp(-x))

现在我们已经完成了多层感知的理论部分，让我们继续使用 TensorFlow 库在 python 中实现一些代码。

逐步实施

步骤 1: 导入必要的库。

蟒蛇 3

# importing modules
import tensorflow as tf
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Flatten
from tensorflow.keras.layers import Dense
from tensorflow.keras.layers import Activation
import matplotlib.pyplot as plt
回到顶部