我在理解MLP和SLP之间的差异时遇到问题。
我知道，在第一种情况下，MLP具有一层以上的层（隐藏层），并且神经元具有非线性激活函数，例如逻辑函数（梯度下降所需）。但我读过：
“如果MLP中的所有神经元都具有线性激活功能，则MLP
可以被单层感知器代替，只能
解决线性可分离的问题”
我不明白为什么在不能线性分离的XOR的特殊情况下，等效的MLP是一个两层网络，每个神经元都有线性激活函数，如阶跃函数。我知道我需要两行分隔，但是在这种情况下，我不能应用上一条语句的规则（用SLP替换MLP）。
Xor的Mlp：
http://s17.postimg.org/c7hwv0s8f/xor.png
在链接的图像中，神经元A B和C具有线性激活函数（如阶跃函数）
异或：
http://s17.postimg.org/n77pkd81b/xor1.png
最佳答案
线性函数是f(x) = a x + b。如果我们采用另一个线性函数g(z) = c z + d，并应用g（f（x））（这相当于将一个线性层的输出作为下一个线性层的输入），则得到g(f(x)) = c (a x + b) + d = ac x + cb + d = (ac) x + (cb + d)本身是另一个线性函数。
步进函数不是线性函数-您不能将其写为a x + b。这就是为什么使用阶跃函数的MLP绝对比使用阶跃函数的单层感知器更具表现力的原因。
关于math - 多层感知器替换为单层感知器，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/30559405/