MLP多層感知器

神經網路(Neural Network)

神經網路至少包含了二個層，即輸入層跟輸出層。

二層感知器

二層感知器中，一個輸入層，另一個為輸出層。比如 28*28的Mnist圖片，展開後就是784個像素。所以輸入層就有784個神經元，輸出層則有10個神經元。如下圖

多層感知器(MLP) Multilayer Perceptron

多層感知機是一種前向傳遞類神經網路，在輸入及輸出層外，中間多了至少一個隱藏層。也就是說包含了至少三層結構(輸入層、隱藏層和輸出層)，並且利用到倒傳遞技術達到學習(model learning)的監督式學習。如下圖所示。

MLP預測手寫數字

底下代碼，實現手寫數字預測，比先前的模型更加準確。

不過在開始預測前，準備好的圖片最好為黑底白字，因為每個字的每個點~~都代表一個 “亮點”，黑色的神經元其值為 0，非黑色的部份其值介>0並且 <=1。然後由這些點計算出迴歸線，所以就有a及b二個參數(y=ax+b)。回歸線就是把二維的資料減少成一條線來表示。

MLP 模型

摸型中先使用Flatten層將28*28二維陣列平化展開成一維具784個元素(特徵點)的陣列。輸出使用softmax()函數，將結果分散在0~9之間10個數字。

訓練時，y_pred=model(train_data_sigmoid)，其實就是調用 class Model 的 __call__()方法。那麼我們不就應該覆寫 __call__()嗎，怎麼覆寫 call()?? 因為 __call__()會先作一些事情，然後再調用 call()。所以我們只需覆寫 call() 即可。

請在專案下新增 MLP.py 檔，然後輸入如下代碼。