AI時代系列(2) 機器學習三部曲: 🔹 第二部：《深度學習 —— 神經網路的革命》
11/100 第二週：多層感知器 MLP
11. 多層感知器結構解析 🏗 輸入層 → 隱藏層 → 輸出層一氣呵成！
✅ 核心概念：
多層感知器（MLP）是最基本的前饋神經網路，由多個「全連接層」堆疊而成，資料從輸入端進入，經過每一層處理後，在輸出端產生預測。整體如大腦中神經元層層傳遞訊號，一氣呵成！
📌 每一層都包含：
• 加權總和（Wx + b）
• 非線性激活函數（如 ReLU）
• 輸出給下一層
________________________________________
🧠 模擬人腦的小註解：
MLP 的每一層就像大腦的一個小區塊，每個神經元接收刺激、處理資訊、再把訊號傳給下一層。層層傳遞、層層抽象，最終「做出判斷」！
________________________________________
🧩 結構解析圖：
[ 輸入層 ] [ 隱藏層 ] [ 輸出層 ]
x1 ─┐ ● y0
x2 ─┼──▶▶▶──▶▶▶──▶▶▶●─── Softmax ──▶▶▶▶▶▶▶▶▶ y1
... ─┤ ● ...
x784┘ ● y9
輸入：784維像素值
隱藏層：Dense + ReLU
輸出層：10個分類節點，代表數字 0～9
這是一個典型的多層感知器（MLP）結構，用於圖像分類（如 MNIST 手寫數字辨識）。輸入層有 784 個節點，代表 28×28 像素的灰階圖像，將每個像素展平成一維向量。資料經由全連接的隱藏層（Dense）傳遞，並透過 ReLU 函數引入非線性，使模型能捕捉複雜特徵。最後的輸出層包含 10 個節點，透過 Softmax 函數將輸出轉換為機率分佈，代表輸入圖像分別屬於數字 0 到 9 的機率，進行最終分類。這樣的結構可有效學習圖像與數字標籤之間的對應關係。
________________________________________
🏗 層級解析說明表：
層級 結構示意 功能與目的
🟩 輸入層 Flatten(28x28 → 784) 將圖片轉為一維向量，準備進入神經網路
🟨 隱藏層 Dense(128) + ReLU 學習資料中抽象特徵，加入非線性使模型更強大
🟥 輸出層 Dense(10) + Softmax 輸出對應每個類別的預測機率，進行分類任務
________________________________________
✅ TensorFlow 實作範本（複習）：
python
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10, activation='softmax')
])
這段程式碼建立了一個用於手寫數字辨識的神經網路模型。它首先將 28×28 的圖像展平成一維向量，接著透過一層具有 128 個神經元的全連接層並使用 ReLU 激活函數進行特徵提取，加入 Dropout 防止過擬合，最後經由 Softmax 輸出層將結果轉換為對應 0～9 的分類機率，整體結構簡單且適合初學者用於圖像分類任務。
_________________________________
🎯 小結與提醒：
✅ MLP 是你學習深度學習的第一個實戰模型
✅ 每一層都像大腦中的一個處理器：層層學習 → 層層理解
✅ 結構雖簡，但已能完成圖像分類、文字分類等多種任務
