這一節的標題是
10.3 Putting the "Network" in Neural Network
因為方格子標題字數限制，所以沒完整顯現
單一一個感知器雖然能解一些問題，但能解的問題範圍極其有限。說得更精確一點，單一一個感知器，就只能解「線性可分」(linearly separable)的問題。
什麼是線性可分呢？簡單來說，如果一個資料集是線性可分的，那就表示可以用一條直線或一個超平面將資料點區分為兩類。先前介紹感知器時所用的水生、旱生植物資料集，就是線性可分的；因為可以用一條直線將資料點區分為水生植物及旱生植物兩個部分。另外，邏輯運算中的AND及OR，也是線性可分的問題，因為它們的真值表可以用一條直線區分成T及F兩部分。以input1 AND input2來說，四種輸入方式為(input1, input2) = (T, T)、(T, F)、(F, T)、(F, F)，除了(T, T)的輸出為T之外，其他輸入的輸出都是F，所以根據輸出的值，可以用一條直線把四個輸入值的點區分成兩部分。至於OR，除了(F, F)的輸出是F之外，其他的輸出都是T，同樣也可以根據輸出的值，用一條直線將四個輸入值的點區分成兩部分。畫圖來看會更清楚一些：
非線性可分問題最簡單的例子之一是XOR (exclusive or)。要將XOR的真值表區分為T及F兩部分，用一條直線辦不到，非得用曲線不可；如下圖：
單一一個感知器只能解線性可分的問題，那碰到像XOR這種非線性可分的問題時，該怎麼辦呢？
俗話說，人多好辦事、三個臭皮匠勝過一個諸葛亮，一個不行，那就多用幾個唄。原書提到，因為XOR運算等價於(OR) AND (NOT AND)，而OR及NOT AND都是線性可分的，所以可以結合兩個感知器，一個處理OR、一個處理NOT AND，這樣就可以解決XOR運算的問題了。不過，實際在做的時候，應該要用三個感知器才夠；第三個感知器要用來處理AND運算，也就是處理前面兩個感知器的輸出，這樣最後得到的輸出，才會是XOR的運算結果。
所以，從解XOR運算問題就可以知道，單一一個感知器能力有限，但如果把多個感知器組合，形成一個多層感知器(multilayer perceptron, MLP)，那這個由多個神經元所組成的網路，將可以解決更複雜、更困難的問題。
一個多層感知器通常會有輸入層(input layer)、隱藏層(hidden layer)、輸出層(output layer)等三層。在輸入層的神經元負責接收輸入；介於輸入層和輸出層之間的神經元屬於隱藏層；在輸出層的神經元則負責輸出最後的結果。隱藏層可以不止一層，下圖是一個只有單一隱藏層的多層感知器：
組成多層感知器的神經元，其運作方式和單一一個感知器的運作方式完全一樣：神經元分別將各個輸入乘上對應的權重後加總，接著由啟動函數將其轉成輸出。
多層感知器的學習方式和感知器一樣，也是透過調整權重來進行。不過，由於多層感知器各層的神經元間都有連結，因此有不少的權重需要調整。想要調整那麼多會互相影響的權重來得到正確的輸出，那可比調整單一一個感知器的權重要複雜多了。
多層感知器調整權重是透過倒傳遞(backpropagation, BP)的方式來進行的。倒傳遞，顧名思義，就是把誤差反向傳遞到網路中，據此來決定各個權重要怎麼調整。詳細的公式推導牽涉到複雜的數學運算，這已超出原書的範圍，所以就此打住。
