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，由神经元（节点）和连接（权重）组成。
它通过多层结构学习数据特征，是机器学习领域的重要技术。
🧠 图示：神经网络基础
神经网络的核心组件
- 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特征（可多层叠加）
- 输出层：生成最终结果（如分类标签、预测值）
- 激活函数：引入非线性能力（如ReLU、Sigmoid、TanH）
📌 图示：激活函数类型
神经网络的训练流程
- 前向传播：数据从输入层逐层传递到输出层
- 损失计算：通过损失函数（如交叉熵、均方误差）评估预测误差
- 反向传播：利用梯度下降优化权重参数
- 迭代优化：重复训练直至模型收敛
📌 图示：训练过程步骤
神经网络的典型应用
- 图像识别（如CNN）
- 自然语言处理（如RNN、Transformer）
- 时间序列预测（如LSTM）
- 游戏AI（如强化学习网络）
📌 图示：神经网络应用领域
扩展学习
想要深入了解机器学习基础？
👉 点击这里查看机器学习概述教程
📌 图示：神经网络结构示意图