在介绍对抗网络之前，我们应该了解多层感知器的原理。
多层感知器是一种人工神经网络，属于非参数估计，可以用于解决分类和回归问题。我们先来了解下神经网络的背景，然后再来介绍下感知器。
神经网络
感知器
多层感知器
一、神经网络
人工神经网络，顾名思义起源于模拟人脑，其目的是理解人脑功能，认知科学家和神经学家共同构建了神经网络模型，并开展了模拟研究。这项技术与工程结合之后，可以帮助我们建立更好的计算机系统。
Marr认为理解一个信息处理系统具有三个层面，总称为分析层面（levels of analysis），即：
计算理论：对应计算目标和任务的抽象定义；
表示和算法：关于输入/输出如何表示以及从输入-->输出的算法说明；
硬件实现：系统的实际物理实现；
这里需要注意的是，对于同一个计算理论，可以有多种表示和算法；而对于同一种表示和算法，可以有多种硬件实现。比如对于自然和人工飞行器，计算理论都是可以“飞行”，算法就是利用“空气动力学”，而实现方式一个是“拍打翅膀”，一个是“发动引擎”。
人脑可以看作是学习或模式识别的一种硬件实现。如果我们可以逆向分析，从这种实现中提取出人脑使用的表示和算法，并且进一步获得计算理论，那么我们就可以考虑使用另一种表示和算法，然后得到更适合我们掌握的计算机硬件的实现。
神经网络可以应用于并行处理。常见的并行架构有单指令多数据（SIMD）机和多指令多数据（MSMD）机， 一种是所有的处理器执行相同的指令处理不同的数据；一种是不同的处理器执行不同的指令处理不同的数据。SIMD实现较为简单，但是应用意义小；MIMD实现复杂，但是现实中多数为此种情况。
神经网络提出了一种介于中间的模式，即引入了中间的少量局部存储器，使用处理器的指令在存储器上输入不同来实现不同的功能。其中每个处理器对应一个神经元，局部参数对应它的突出权重， 而整个结构就是一个神经网络。所以，人工神经网络是一种我们可以实用当前技术构建的、利用并行硬件的方法。
二、感知器
感知器（Perception）是基本的处理元素，它具有输入、输出，每个输入关联一个连接权重（connection weight），然后输出是输入的加权和。
上图就是一个单层的感知器，输入分别是X0、X1、X2，输出Y是输入的加权和：
Y = W0X0 + W1X1 + W2X2
在实际的使用中，我们的主要任务就是通过数据训练确定参数权重。在训练神经网络时，如果未提供全部样本二室逐个提供实例，则我们通常使用在线学习，然后在每个实例学习之后立刻调整网络参数，以这种方式使得网络缓慢得及时调整。具体收敛可是使用梯度下降算法。
感知器具有很强的表现力，比如布尔函数AND和OR都可以使用上面的单层感知器实现。但是对于XOR操作则不行，因为单层感知器只能模拟线性函数，对于XOR这种非线性函数，我们需要新型的感知器。
三、多层感知器
对于XOR这种非线性函数的模拟，我们需要采用多层感知器，即在最初的输入和输出层之间隐藏着一到多个层，比如：
多层感知器（Multiayer perceptrons, MLP）可以实现非线性判别式，如果用于回归，可以逼近输入的非线性函数。其实MLP可以用于“普适近似”，即可以证明：具有连续输入和输出的任何函数都可以用MLP近似，已经证明，具有一个隐藏层（隐藏节点个数不限）的MLP可以学习输入的任意非线性函数。
训练MLP常用的是向后传播（backpropagation），这主要是因为在我们收敛误差函数的时候，使用链接规则计算梯度：
原文参考：http://blog.chinaunix.net/uid-26275986-id-4985394.html
