多层感知机（MLP，Multilayer Perceptron）也叫人工神经网络（ANN，Artificial Neural Network）

MLP多层感知机，即原始神经网络。只用全连接层，没有卷积层，只接受向量（一维数组）作为输入，不接受矩阵（二维数组），丢失图像中的像素关系

包括输入层、输出层，它中间可以有多个隐层，最简单的MLP只含一个隐层，即三层的结构

前馈神经网络的主要特点是信息流的单向传递，没有循环连接。它由多个神经元（也称为节点或单元）组成，这些神经元分布在不同的层中，通常包括输入层、一个或多个隐藏层和输出层。每个神经元都与前一层的每个神经元相连，通过权重来传递信息。这些权重是训练过程中学习到的参数，用于调整输入信号的影响程度。

这就是最简单的神经网络。

　　反复观看这个视频！！！

　　手写数字的识别

　　https://www.bilibili.com/video/BV1bx411M7Zx/?spm_id_from=333.999.0.0

1。模型结构

输入层（Input Layer）：
- 输入层是神经网络的第一层，负责接受原始输入数据。
- 每个输入层神经元对应输入数据的一个特征或维度。
- 输入层的神经元的数量通常等于输入数据的特征数量，例如，如果处理图像，每个输入神经元可能对应图像中的一个像素或某种特征。
- 输入层不进行任何计算或非线性转换，它只是将输入数据传递给网络的下一层（隐藏层）。
隐藏层（Hidden Layer）：
- 隐藏层是在输入层和输出层之间的一层或多层神经元组成的层。
- 这些神经元不直接与外部数据交互，而是执行中间计算和特征抽取的任务。
- 每个隐藏层神经元将来自上一层（可能是输入层或其他隐藏层）的信息进行加权求和，并应用一个非线性激活函数，以生成输出。
- 隐藏层的存在允许神经网络学习更复杂的表示，以便解决各种问题。
- 神经网络中可以有一个或多个隐藏层，取决于网络的深度。
输出层（Output Layer）：
- 输出层是神经网络的最后一层，负责生成模型的最终输出。
- 输出层的神经元的数量通常与特定问题的输出要求相匹配，例如，对于分类问题，输出神经元的数量通常等于类别的数量；对于回归问题，通常只有一个输出神经元。
- 输出层的激活函数取决于问题类型，例如，对于二分类问题，通常使用sigmoid函数；对于多分类问题，通常使用softmax函数；对于回归问题，通常没有激活函数。
- 输出层的值被用于进行预测或决策。