什么是神经网络？

神经网络是模仿人脑处理信息机制的计算模型，由大量相互连接的神经元（Neuron）组成。其核心目标是通过层次化特征提取实现复杂模式识别。

核心结构

  • 输入层：接收原始数据（如图像像素、文本向量）
  • 隐藏层：通过非线性变换提取抽象特征（🧠）
  • 输出层：生成最终预测结果（🎯）
  • 权重与偏置：控制神经元间连接强度（📊）

Neural_Network_Basics

图1：神经网络的基本组成结构

神经网络的工作原理

  1. 前向传播：数据从输入层逐层传递到输出层
  2. 激活函数：如Sigmoid、ReLU等非线性函数（🧱）
  3. 损失函数：衡量预测结果与真实值的差距（📉）
  4. 反向传播：通过梯度下降算法调整参数（🔄）

Backpropagation_Process

图2：反向传播算法示意图

学习资源推荐

Neural_Network_Structure

图3：多层神经网络结构图解

应用场景

  • 图像识别 📷
  • 自然语言处理 💬
  • 时间序列预测 ⏳
  • 强化学习 🕹️

Neural_Network_Applications

图4：神经网络典型应用场景

常见问题

❓ Q1: 神经网络需要多少数据训练？
A: 一般需要大量标注数据（>10,000样本），但小样本方法如迁移学习也有解决方案。

❓ Q2: 如何选择激活函数？
A: 常用ReLU（默认选择）, Sigmoid（适用于二分类）, Tanh（输出范围-1~1）

Neuron_Cell

图5：单个神经元的计算过程