我会一一回答你的问题：

隐藏层是指输入和输出之间的层。如果层数 = 1，有 10 个隐藏神经元（如第二张图所示），那么它本质上是一个称为 MLP 的神经网络。我的理解正确吗？

神经网络的基本构建块是感知器。它以生物神经元为模型：一个接收多个输入、加权并输出转换信号的单元。在其最简单的形式（即带有 sigmoid 激活的感知器）中，它实际上与逻辑回归相同。

当您在多个层上组合多个感知器时，您将形成MLP（多层感知器）。术语“MLP”被用作神经网络的同义词——在它们的基本前馈架构中。

没有隐藏层的神经网络甚至不能被视为神经网络。

只有一个隐藏层的称为浅层神经网络，没有人真正使用它们，因为它们不如深度神经网络强大。

当你有多个隐藏层时，你就会谈论深度神经网络。它们是现在真正的大事，是目前可用的最强大的 ML 模型。

我们将机器学习模型称为线性还是非线性？或者这个术语是否与映射函数相关联？

ML 模型可以是线性的也可以是非线性的，由您选择。不同的模型将以不同的方式（线性或其他非线性方式）映射输入和输出。

我认为重要的是要强调机器学习不是一组模型，而是一种处理数据的方法。您可以使用带有 ML 方法的线性回归（即线性模型）或 SVM 或深度神经网络（即非线性模型）来解决完全相同的问题。

哪一层的映射功能决定了这一点？

如果你提到深度神经网络，我相信所有层都负责输入和输出之间的非线性映射。非线性只能通过深度和非线性激活函数的组合来学习。网络越深，它能够学习的非线性模式就越复杂。在我看来，这就像你需要“一次全部”来做到这一点。

1. 深度学习模型是多层感知器的一个子集。您认为“深”是主观的——只要您有多个隐藏层，您就可以称它为“深”并摆脱它。

2. 您可以将术语“线性”和“非线性”与映射函数或模型相关联。感知器总是会学习类之间的线性边界（这个答案对此有很好的解释）。一旦添加了隐藏层，并将感知器转换为 MLP，模型/生成的映射函数将能够学习非线性决策边界。无论层的激活函数如何，都会发生这种情况。

1. 你指的是一个非常主观的术语。1 层 NN 可以称为感知器，但从其他角度来看，简单的逻辑回归也有类似的公式。当人们提到 MLP 时，他们通常指的是简单的感知器层堆栈，通常不使用任何花哨的功能。当我们谈论深度学习时，它就变成了一个更广泛的主题。它不仅关乎深度，还关乎其复杂的设计。

2. 因为 ANN 非线性仅在您通常以激活函数的形式应用时才适用。因此，如果我在不应用激活函数的情况下堆叠隐藏层，那么它只会成为线性算子。你可以试着考虑这个来练习。