Daudzslāņu perceptrons (MLP)
Daudzslāņu perceptrons ir klasisks pilnībā savienots tiešās plūsmas neironu tīkls, kas apmācīts ar atpakaļizplatīšanas algoritmu, ko formalizēja Rumelhart, Hinton & Williams savā ievērojamajā 1986. gada žurnāla "Nature" publikācijā. MLP sastāv no ievades slāņa, viena vai vairākiem slēptajiem neironu slāņiem un izvades slāņa. Tas apgūst nelineāras kartēšanas no ievades pazīmēm uz mērķa izvadiem un kalpo kā mūsdienu dziļās mācīšanās pamatbloks.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Avoti
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 3). Multilayer Perceptron (Fully Connected Feedforward Neural Network). ScholarGate. https://scholargate.app/lv/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.
- Logistiskā regresijaPētniecības statistika↔ compare
- Random ForestMašīnmācīšanās↔ compare
- Atkārtotais neironu tīklsDziļā mācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →