MLP

若每個神經元的激活函數都是線性函數，那麼，任意層數的MLP都可被約簡化成一個等價的單層感知器。

實際上，MLP本身可以使用任何形式的激活函數，譬如階梯函數或邏輯乙形函數（logistic sigmoid function），但為了使用反向傳播演演算法進行有效學習，激活函數必須限制為可微函數。由於具有良好可微性，很多乙形函數，尤其是雙曲正切函數（Hyperbolic tangent）及邏輯乙形函數，被採用為激活函數。

常被MLP用來進行學習的反向傳播演演算法，在模式識別的領域中算是標準監督學習演演算法，並在計算神經學及并行分散式處理領域中，持續成為被研究的課題。MLP已被證明是一種通用的函數近似方法，可以被用來擬合複雜的函數，或解決分類問題。

MLP在80年代的時候曾是相當流行的機器學習方法，擁有廣泛的應用場景，譬如語音識別、圖像識別、機器翻譯等等，但自90年代以來，MLP遇到來自更為簡單的支持向量機的強勁競爭。近來，由於深層學習的成功，MLP又重新得到了關注。