一、概览
现实世界中很多真实的问题都不是线性可分的，即无法使用一条直线、平面或者超平面分割不同的类别，其中典型的例子是异或问题（Exclusive OR，XOR），即假设输入为x1和x2，如果它们相同，即当x1 = 0、x2 = 0或x1 = 1、x2 = 1时，输出y=0；如果它们不相同，即当x1 = 0、x2 = 1或x1 = 1、x2 = 0时，输出y = 1，如下图所示。此时，无法使用线性分类器恰当地将输入划分到正确的类别。
二、定义
多层感知器
（Multi-layer Perceptron，MLP）是解决线性不可分问题的一种解决方案。多层感知器指的是堆叠多层线性分类器，并在中间层（也叫隐含层，Hid-den layer）增加非线性激活函数。例如，可以设计如下的多层感知器：
等式中，ReLU（Rectified Linear Unit）是一种非线性激活函数， 其定义为当某一项输入小于0时，输出为0；否则输出相应的输入值，即
ReLU（z）=max（0， z）。W [i]和b [i]分
别表示第i层感知器的权重和偏置项。
如果将相应的参数进行如下的设置：
，b [1] = [0，−1] ⊤ ，W [2] = [1，−2]，b [2] = [0]。
这样即可解决异或问题，该多层感知器的网络结构如下图所示。
那么，该网络是如何解决异或问题的呢？其主要通过两个关键的技术，即增加了一个含两个节点的隐含层（h）以及引入非线性激活函数 （ReLU）。通过设置恰当的参数值，将在原始输入空间中线性不可分的问题映射到新的隐含层空间，使其在该空间内线性可分。
如下图所示，
原空间内
x
=[0，0]和
x
=[1，1]两个点，分别被映射到
h
=[0，0]和
h
=
[2，1]；而
x
=[0，1]和
x
=[1，0]两个点，都被映射到了
h
=[1，0]。此时
就可以使用一条直线将两类点分割，即成功转换为线性可分问题。
三、更一般的形式
下图展示了更一般的多层感知器，其中引入了更多的隐含层（没有画出非线性激活函数），并将输出层设置为多类分类层（使用 Softmax 函数）。输入层和输出层的大小一般是固定的，与输入数据的 维度以及所处理问题的类别相对应，而隐含层的大小、层数和激活函数的类型等需要根据经验以及实验结果设置，它们又被称为超参数 （Hyper-parameter）。一般来讲，隐含层越大、层数越多，即模型的参数越多、容量越大，多层感知器的表达能力就越强，但是此时较难优化网络的参数。而如果隐含层太小、层数过少，则模型的表达能力会不足。为了在模型容量和学习难度中间寻找到一个平衡点，需要根据不同的问题和数据，通过调参过程寻找合适的超参数组合。
