文件：python代码 内容：基于 anaconda+keras 框架，在 jupter notebook 中 构建多层感知器，识别MNIST数据集中的手写数字。 亲测可用，同学们可以放心下载。 MNIST数据集 (Mixed National Institute of Standards and Technology database) 是美国国家标准与技术研究院收集整理的大型**手写数字数据库**，包含 6万 个示例的训练集以及 1万 个示例的测试集。MNIST数字文字识别数据集数据量不太多，而且是单色的图像，比较简单，很适合深度学习的初学者用来练习建立模型、训练、预测。 经典的MNIST数据集包含了大量的手写数字。十几年来，来自机器学习、机器视觉、人工智能、深度学习领域的研究员们把这个数据集作为衡量算法的基准之一。你会在很多的会议，期刊的论文中发现这个数据集的身影。实际上，MNIST数据集已经成为算法作者的必测的数据集之一。有人曾调侃道："如果一个算法在MNIST不work, 那么它就根本没法用；而如果它在MNIST上work, 它在其他数据上也可能不work！"

人工智能-多层感知器神经网络的局部泛化误差模型.pdf

CIFAR_MLP_Pytorch_Lightning 使用Pytorch照明库对多层感知器（MLP）神经网络进行了训练。 CIFAR数据集用于对神经网络进行分类。 进行不同的实验并观察结果。 实验类型和网络验证准确性如下： 版本1：B_SIze：32 H_Layers：1 H神经元：512 Optim：SGD Sigmoid Val_Acc：0.4706 版本2：B_SIze：32 H_Layers：1 H神经元：1512优化：SGD Sigmoid Val_Acc：0.4626 版本3：B_SIze：32 H_Layers：1 H神经元：1512优化：SGD RELU Val_Acc：0.5089 版本4：B_SIze：32 H_Layers：1 H神经元：1512优化：ADAM RELU Val_Acc：0.5114 版本5：B_SIze：32 H_Layers：1 H

数据集名称：成人自闭症谱系筛查数据 摘要：自闭症谱系障碍（ASD）是一种与显着的医疗费用有关的神经发育疾病，早期诊断可以显着减少这些疾病。 不幸的是，等待ASD诊断的时间很长，而且程序的成本效益也不高。 自闭症的经济影响和全世界ASD病例数量的增加表明，迫切需要开发易于实施和有效的筛查方法。 因此，迫切需要进行时间高效且可访问的ASD筛查，以帮助卫生专业人员并告知个人是否应进行正式的临床诊断。 全球ASD病例数的快速增长需要与行为特征相关的数据集。 但是，这样的数据集很少，因此很难进行全面的分析以提高ASD筛选过程的效率，敏感性，特异性和预测准确性。 目前，与临床或筛查有关的自闭症数据集非常有限，并且大多数都是自然遗传的。 因此，我们提出了一个与成人自闭症筛查有关的新数据集，其中包含20个特征，可用于进一步分析，特别是在确定有影响力的自闭症特征和改善ASD病例分类方面。 在此数据集中，我们

泰坦尼克号的受难者数据

p 原始的多层感知器实现 用法：mlp输入数据输出目录纪元最大速度图层-cfg 输入数据-带有数据的文本文件的路径：每行包含点坐标及其类标签 output- dir-包含训练结果的dir的路径（将包含errs.txt，errs_val.txt，weights.txt，results.txt） epoch-max- [int]最大纪元数 速度-[双]学习速度 layers-cfg-文本文件的路径，其中包含带有隐藏层的输出编号的一行 err_graph.py-用于培训和验证错误可视化的脚本 用法：python err_graph.py draw_results.py-用于分类结果可视化的脚本 用法：python draw_results.py results-path results-path ：output-dir / results.txt

实验报告——多层感知器进行目标检测

它包括决策边界图

LM-BP

多层感知器神经网络 多层感知器神经网络的实现（多层感知器 - MLP） - 语言：C++ MLP（多层感知器）是一种前馈神经网络，可将输入数据集映射到适当的输出集。 MLP 由有向图中的几层节点（顶点）组成，每一层都完全连接到下一层。 除了输入节点，每个节点都是一个具有激活函数的神经元。 MLP 使用监督训练，也就是说，您显示输入和相应的输出来训练网络。 如果你有一个数据集，通常 70% 用于训练，30% 用于测试，这可能会有很大差异。 MLP 网络训练过程（葡萄牙语缩写为 PMC）使用反向传播算法，也称为广义增量规则。 训练的第一阶段是前向传播，其中将样本插入网络输入并逐层传播，直到产生相应的输出。 这样做只是为了从网络获得响应。 输出产生的响应与相应的期望响应进行比较。 产生偏差（错误），然后应用反向传播方法的第二阶段，即反向传播（反向传播）。 在这个阶段，网络中所有神经元