多層感知器，為什么能實現(xiàn)非線性？由于增加了激活函數(shù)，如果激活函數(shù)是非線性的，則可以實現(xiàn)非線性。這個原則很簡單。你可以試著用非線性函數(shù)來設(shè)置一個線性函數(shù)來運算，結(jié)果一定是非線性的。然而，多層感知器網(wǎng)絡(luò)不

多層感知器，為什么能實現(xiàn)非線性？

由于增加了激活函數(shù)，如果激活函數(shù)是非線性的，則可以實現(xiàn)非線性。這個原則很簡單。你可以試著用非線性函數(shù)來設(shè)置一個線性函數(shù)來運算，結(jié)果一定是非線性的。

然而，多層感知器網(wǎng)絡(luò)不一定具有激活函數(shù)，并且激活函數(shù)不一定是非線性的。該方法可人為設(shè)定，僅利用非線性激活函數(shù)加隨機權(quán)初值，是理論和實踐驗證的最佳方法。

感知器（perceptron）和支持向量機（svm）只能用于線性可分的樣本嗎？

單層感知器僅具有線性表達能力，而多層感知器結(jié)合非線性激活函數(shù)，具有非線性表達能力。

支持向量機的線性核只能用于線性可分樣本，而非線性核具有非線性擬合能力。

事實上，感知器和支持向量機本質(zhì)上只能對線性可分數(shù)據(jù)進行分類。

多層感知器前面的L-1層可視為“特征提取”過程。將線性不可分原始數(shù)據(jù)映射到線性可分特征空間。

支持向量機的非線性核是相同的，相當(dāng)于將原始數(shù)據(jù)映射到希爾伯特空間。

特征提取的非線性擬合過程可以通過其他方式進行（如深度神經(jīng)網(wǎng)絡(luò)）。

BP神經(jīng)網(wǎng)絡(luò)和感知器有什么區(qū)別？

多層感知器是指結(jié)構(gòu)，BP是指學(xué)習(xí)算法。感知器模型非常簡單，即將神經(jīng)元上的多個輸入之和帶入輸出函數(shù)減去閾值。多層感知器是由多層感知器模型組成的前向網(wǎng)絡(luò)。BP是指BP算法，BP網(wǎng)絡(luò)是指具有多層感知器結(jié)構(gòu)和BP算法的網(wǎng)絡(luò)。BP網(wǎng)絡(luò)是一種多層感知器網(wǎng)絡(luò)，但BP網(wǎng)絡(luò)突出算法，多層感知器突出結(jié)構(gòu)。