多层感知机 (MLP) 中的数据格式变化

在多层感知机 (MLP) 中，数据格式通常是由一维数组或矩阵表示的。对于一维数组，每个元素代表一个输入特征。对于矩阵，每行代表一个样本，每列代表一个特征。在训练时，输入数据会被送入网络的输入层，经过多个隐藏层的变换，最终输出预测结果。在这个过程中，数据的格式可能会发生变化，例如：

One-hot 编码：在分类问题中，通常需要将类别标签进行 One-hot 编码。即将每个类别映射到一个向量，向量中只有一个元素为 1，其余为 0。这样可以使得输出层的每个神经元对应一个类别，方便计算损失函数。
标准化：对输入数据进行标准化处理可以使得数据在不同维度上具有相同的尺度，避免训练过程中某些维度的权重过大或过小导致模型性能下降。
批量化：在训练时，通常会将样本分成若干个批次进行训练，每个批次包含多个样本。这样可以减小内存占用，加速训练过程。在批量化过程中，需要将数据组织成批次格式，例如将矩阵按行切分成若干个小矩阵，或者将一维数组按批次大小切分成若干个子数组。
Dropout：在训练时，为了防止过拟合，通常会对隐藏层进行随机失活 (dropout) 操作。即对每个神经元以一定概率置为 0，使得网络无法过度依赖某些特征，增强泛化性能。在进行 dropout 操作时，需要将数据在每个批次中的某些神经元置为 0。