MLP（多层感知机）

MLP诞生于20世纪80年代，随着反向传播算法的提出而普及。其结构为：输入向量经过线性变换（权重矩阵乘加偏置）后，通过非线性激活函数（如ReLU、Sigmoid）得到隐藏层表示，逐层传递至输出。理论上，足够宽的MLP可以逼近任意连续函数（通用近似定理）。训练采用梯度下降和反向传播更新权重。MLP的局限性在于参数量大、易过拟合、难以处理序列和空间数据，因此催生了CNN、RNN和Transformer等架构。但在表格数据、特征变换和作为大模型中的前馈层（FFN）中，MLP仍不可或缺。