MLP的最经典例子就是数字识别，即我们随便给出一张上面写有数字的图片并作为输入，由它最终给出图片上的数字到底是几。
对于一张写有数字的图片，我们可将其分解为由28＊28＝784个像素点构成，每个像素点的值在（0～1）之间，其表示灰度值，值越大该像素点则越亮，越低则越暗，以此表达图片上的数字并将这786个像素点作为神经网络的输入。
而输出则由十个神经元构成，分别表示（0～9）这十个数字，这十个神经元的值也是在（0～1）之间，也表示灰度值，但神经元值越大表示从输入经判断后是该数字的可能性越大。
隐层的层数和神经元的选择需根据具体情况选择，此例选择两层隐层，每层16个神经元。那么根据上面的叙述，根据权重、偏置的个数此神经网络将会有13002个参数需要去调节，而如何调整这些参数，从而使神经网络有较好的学习效果则正是下篇更新的神经网络训练和学习的内容。
通过楼主上面的叙述，该图像识别问题最终可通过线性方程的方式表示出来，从而来描述本篇通过MLP神经网络进行数字识别的案例，并通过建立的问题描述模型来编程实现。
总结
MLP神经网络的结构还是挺简单的，基本的结构和原理是入门学习所必须了解的。神经网络训练和学习这块等楼主有机会再更新，发现前期给自己挖太多坑都还没填，主要在于楼主忙于工作，最近正好是2019上海车展，楼主也去转了一波，基本都待在二层的零部件供应商那里，了解下各大供应商在智能出行、电驱、智能网联等方面的系统集成和解决方案，收获还是很多的，也希望能在下篇跟大家做个分享。
<上一页 3
