什么是神经网络？
神经网络是模拟人脑处理信息的计算模型，由神经元（节点）和连接（权重）组成。
👉 点击了解更深入的神经网络原理
核心组成部分
- 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（⭐ 通常包含激活函数）
- 输出层：生成最终预测结果（如分类标签、回归值）
- 权重与偏置：调节神经元间连接强度（🔧 需通过训练优化）
训练流程简析
- 数据预处理：标准化/归一化输入数据
- 前向传播：计算预测输出
- 损失计算：衡量预测与真实值的误差
- 反向传播：通过梯度下降更新参数
- 迭代优化：重复训练直至模型收敛
常用激活函数
| 函数 | 作用 | 图标 |
|---|---|---|
| ReLU | 解决梯度消失问题 | |
| Sigmoid | 输出0-1范围的概率值 | |
| Tanh | 输出-1到1的范围 |
优化算法简介
- 梯度下降（Gradient Descent）
- 随机梯度下降（SGD）
- Adam：自适应学习率优化方法（⚡ 现在最常用）