简介

在本章中，你将学习深度学习中最重要的一种神经网络：多层感知机（Multilayer Perceptron）。你还将学习如何使用 TensorFlow 框架来操作这种神经网络模型。

A. 多层感知机

多层感知机（MLP）可用于多种任务，例如股票分析、垃圾邮件检测以及选举投票预测。在本章及下一章中，你将学习如何编写自己的 MLP 模型，并将其应用于对笛卡尔平面上的二维点进行分类的任务。

你还将学习创建计算图（computation graph）的基本知识——即神经网络的结构。神经网络的结构可以被看作是由若干层神经元（neurons）组成的：

图中圆形代表神经元，连接神经元之间的箭头表示连接关系。该神经网络包含三层：

• 输入层：第一层（底部）。
• 输出层：最后一层（顶部）。
• 隐藏层：位于输入层和输出层之间的层。图中有一个隐藏层。

隐藏层的数量决定了模型的“深度”，你将在后续学习中体会到增加隐藏层带来的强大能力。

在绘制计算图时，通常会省略具体的神经元和连接细节，而采用更简洁的表示方式：

这种简化形式有助于更清晰地展示具有数十层结构的复杂神经网络的计算图。

B. TensorFlow

为了实现我们的神经网络模型，我们将使用 TensorFlow，这是目前最流行的深度学习框架之一。TensorFlow 的名称来源于“张量”（tensor），张量本质上是多维向量或矩阵的推广形式。在编写代码时，可以把所有数值型数据都视为张量。

在 TensorFlow 中，我们首先构建计算图的结构，然后使用输入数据和标签来训练并评估模型。

一个小提示：通常通过语句 import tensorflow as tf 导入 TensorFlow，这样可以在调用模块时使用更简洁的别名。