เพอร์เซปตรอนหลายชั้น (MLP)
เพอร์เซปตรอนหลายชั้น (Multilayer Perceptron - MLP) เป็นโครงข่ายประสาทเทียมแบบป้อนไปข้างหน้า (feedforward neural network) ที่เชื่อมต่อกันอย่างสมบูรณ์ (fully connected) ซึ่งได้รับการฝึกฝนด้วยขั้นตอนวิธีแบ็กโพรพาเกชัน (backpropagation algorithm) ตามที่ได้กำหนดรูปแบบไว้ในบทความสำคัญปี 1986 ของ Rumelhart, Hinton & Williams ในวารสาร Nature ประกอบด้วยชั้นอินพุต (input layer) ชั้นซ่อน (hidden layer) หนึ่งชั้นหรือมากกว่า และชั้นเอาต์พุต (output layer) MLP เรียนรู้การจับคู่แบบไม่เชิงเส้น (nonlinear mappings) จากคุณลักษณะอินพุตไปยังเอาต์พุตเป้าหมาย และทำหน้าที่เป็นหน่วยพื้นฐานของโครงข่ายประสาทเทียมเชิงลึก (deep learning) ในปัจจุบัน
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
แหล่งอ้างอิง
- 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
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Multilayer Perceptron (Fully Connected Feedforward Neural Network). ScholarGate. https://scholargate.app/th/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.
- การถดถอยโลจิสติกสถิติการวิจัย↔ compare
- Random Forestการเรียนรู้ของเครื่อง↔ compare
- โครงข่ายประสาทเทียมแบบเวียนซ้ำ (Recurrent Neural Network - RNN)การเรียนรู้เชิงลึก↔ compare
- XGBoostการเรียนรู้ของเครื่อง↔ compare