Perceptron đa lớp (MLP)

Multilayer Perceptron (MLP) là một mô hình mạng nơ-ron nhân tạo bao gồm nhiều lớp nơ-ron được kết nối theo tầng (do đó có tên là “đa lớp”). Loại MLP được sử dụng rộng rãi nhất là mạng chuyển tiếp nguồn cấp dữ liệu, trong đó thông tin được truyền theo một hướng từ đầu vào đến đầu ra. MLP có thể được sử dụng cho nhiều ứng dụng như nhận dạng mẫu, xử lý hình ảnh và phân tích chuỗi thời gian.

Cốt lõi của MLP là kiến trúc của các nơ-ron được kết nối với nhau, đóng vai trò là đơn vị cho các hoạt động tính toán trong mạng. Mỗi nơ-ron nhận đầu vào từ lớp trước và truyền thông tin qua hàm kích hoạt tuyến tính hoặc phi tuyến tính. Đầu ra của hàm kích hoạt sau đó được chuyển sang lớp tiếp theo, v.v. Lớp cuối cùng của MLP có thể là lớp đầu ra được sử dụng để diễn giải và trình bày kết quả dự đoán tùy thuộc vào bản chất của vấn đề.

Đối với MLP được giám sát, đào tạo là quá trình tối ưu hóa các tham số mạng để nó có thể ánh xạ chính xác dữ liệu đầu vào tới đầu ra mong muốn. Quá trình này bao gồm việc sử dụng các thuật toán lan truyền ngược, là các phương pháp toán học được sử dụng để điều chỉnh trọng số của từng nơ-ron trong mạng. Đào tạo là bước quan trọng nhất trong việc xây dựng MLP vì mạng chưa được đào tạo không có khả năng dự đoán.

MLP được sử dụng rộng rãi cho các vấn đề phân loại và hồi quy nhờ khả năng tìm hiểu các mối quan hệ phức tạp giữa các biến đầu vào và đầu ra. Hơn nữa, MLP có khả năng biến đổi phi tuyến, mang lại cho chúng nhiều ứng dụng trong trí tuệ nhân tạo và robot.

Ngoài các ứng dụng của nó, một đặc điểm khác của MLP là hiệu suất của nó có thể được nâng cao đáng kể bằng cách tăng số lượng lớp và nơ-ron mà mạng chứa. Điều này được gọi là “học sâu” và đang trở thành một lĩnh vực nghiên cứu học máy ngày càng phổ biến. Bất kể ứng dụng hay chế độ xem deep learning, MLP đều là một loại mạng thần kinh nhân tạo mạnh mẽ và phổ biến nhờ khả năng học nhanh và chính xác.