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(yùn)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(yùn)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(jī)權(quán)初值，是理論和實踐驗證的最佳方法。

多層感知器和bp神經(jīng)網(wǎng)絡(luò)解決異或問題有什么不同？

BP神經(jīng)網(wǎng)絡(luò)是指用“BP算法”訓(xùn)練的“多層感知器模型”。多層感知器（MLP）是一種前饋人工神經(jīng)網(wǎng)絡(luò)模型，它將多個輸入數(shù)據(jù)集映射為一個輸出數(shù)據(jù)集，可以解決任何線性不可分問題。不要把算法和網(wǎng)絡(luò)混為一談。

深度學(xué)習(xí)和普通的機(jī)器學(xué)習(xí)有什么區(qū)別？

一張圖片顯示了這種關(guān)系。機(jī)器學(xué)習(xí)是人工智能的重要領(lǐng)域之一，而深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個分支。深度學(xué)習(xí)之所以近年來流行起來，是因為它突破了傳統(tǒng)機(jī)器學(xué)習(xí)無法解決的一些問題。

機(jī)器學(xué)習(xí)的意義在于代替人工完成重復(fù)性工作，識別出統(tǒng)一的規(guī)則（模式）。但是對于傳統(tǒng)的機(jī)器學(xué)習(xí)來說，特征提取的難度不?。ㄌ卣骺梢允窍袼?、位置、方向等）。特征的準(zhǔn)確性將在很大程度上決定大多數(shù)機(jī)器學(xué)習(xí)算法的性能。為了使特征準(zhǔn)確，在特征工程部分需要大量的人力來調(diào)整和改進(jìn)特征。完成這一系列工作的前提是，數(shù)據(jù)集中所包含的信息量是充分的，并且易于識別。如果不滿足這一前提，傳統(tǒng)的機(jī)器學(xué)習(xí)算法將在信息的雜亂中失去其性能。深度學(xué)習(xí)的應(yīng)用正是基于這個問題。它的深層神經(jīng)網(wǎng)絡(luò)使它能夠在雜波中學(xué)習(xí)，自動發(fā)現(xiàn)與任務(wù)相關(guān)的特征（可以看作是自發(fā)學(xué)習(xí)的特征工程），并提取高級特征，從而大大減少了特征工程部分任務(wù)所花費(fèi)的時間。

另一個明顯的區(qū)別是他們對數(shù)據(jù)集大小的偏好。傳統(tǒng)的機(jī)器學(xué)習(xí)在處理規(guī)則完備的小規(guī)模數(shù)據(jù)時表現(xiàn)出良好的性能，而深度學(xué)習(xí)則表現(xiàn)不好。隨著數(shù)據(jù)集規(guī)模的不斷擴(kuò)大，深度學(xué)習(xí)的效果會逐漸顯現(xiàn)出來，并變得越來越好。對比如下圖所示。

人工智能技術(shù)有哪些？

現(xiàn)在人工智能的種類太多了。隨著人工智能的普及和應(yīng)用范圍的擴(kuò)大，它將進(jìn)入更多的領(lǐng)域。

現(xiàn)在人工智能幾乎涉及所有學(xué)科，如認(rèn)知科學(xué)、數(shù)學(xué)、神經(jīng)生理學(xué)、信息論、控制論、不確定性理論、計算機(jī)科學(xué)、心理學(xué)、哲學(xué)、語言、自然科學(xué)和社會科學(xué)。

應(yīng)用領(lǐng)域包括：翻譯、智能控制、專家系統(tǒng)、機(jī)器人學(xué)、語言、圖像理解、遺傳編程、自動編程、大信息處理、存儲、管理、執(zhí)行一些活體無法執(zhí)行的任務(wù)，或復(fù)雜而大規(guī)模的任務(wù)等

特定應(yīng)用有：網(wǎng)絡(luò)、工業(yè)、農(nóng)業(yè)、航天、軍事、自然、家庭、個人等等，各行各業(yè)都有人工智能。