Multilayer Perceptron (MLP)
Ett Multilayer Perceptron (MLP) är ett klassiskt, helt sammanhängande, framåtriktat neuralt nätverk som tränas med backpropagationalgoritmen, formaliserad av Rumelhart, Hinton & Williams i deras banbrytande artikel i Nature 1986. MLP:n består av ett ingångslager, ett eller flera dolda lager av neuroner och ett utgångslager. Den lär sig olinjära avbildningar från ingångsattribut till målutgångar och utgör den grundläggande byggstenen i modern djupinlärning.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Källor
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 3). Multilayer Perceptron (Fully Connected Feedforward Neural Network). ScholarGate. https://scholargate.app/sv/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 ForestMaskininlärning↔ compare
- Återkommande neuralt nätverkDjupinlärning↔ compare
- XGBoostMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →