Multilayer Perceptron (MLP)
En Multilayer Perceptron (MLP) er et klassisk, fuldt forbundet feedforward neuralt netværk, der trænes med backpropagation-algoritmen, som formaliseret af Rumelhart, Hinton & Williams i deres skelsættende Nature-artikel fra 1986. MLP'en består af et inputlag, et eller flere skjulte lag af neuroner og et outputlag, og den lærer ikke-lineære afbildninger fra input-features til mål-output og tjener som den grundlæggende byggesten i moderne deep learning.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Kilder
- Rumelhart, D. E., Hinton, G. E. & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533–536. DOI: 10.1038/323533a0 ↗
- Goodfellow, I., Bengio, Y. & Courville, A. (2016). Deep Learning (Ch. 6–8). MIT Press. ISBN: 978-0-262-03561-3
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 5). Springer. ISBN: 978-0-387-31073-2
Sådan citerer du denne side
ScholarGate. (2026, June 3). Multilayer Perceptron (Fully Connected Feedforward Neural Network). ScholarGate. https://scholargate.app/da/deep-learning/multilayer-perceptron
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Logistisk regressionForskningsstatistik↔ compare
- Random ForestMaskinlæring↔ compare
- Recurrent Neural NetworkDyb læring↔ compare
- XGBoostMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →