它從資訊處理角度對人腦神經元網路進行抽象，模擬生物神經網路建立某種簡單模型，按不同的連線方式組成不同的網路。
人工神經網路與生物神經網路不同的是它的神經元網路是初始存在的。
它分為輸入層，輸出層（當然這期間也有隱藏層），輸入層是獲取相關資料資訊，輸出層進行資訊整合進而輸出結果。
那麼神經網路是怎麼工作的呢？（下面以貓狗識別為例）
神經網路模型在大量帶有標籤（是貓還是狗）的資料上進行訓練，神經網路中的每個神經元都有激勵函式，這個刺激函式會告知對應的神經元這是貓還是狗，此時神經元就有了記憶，當然並不是每個神經元都那麼敏感，只會有一部分的神經元被啟用進行訓練，所以乙個神經網路需要上千萬次的訓練。（當然我們不需要擔心時間，現在的計算機的計算速度已經滿足我們的我需求了）
上述工作原理我們需要注意的是，當出現認知錯誤的時候，此時神經網路會進行誤差反向傳播計算，此時神經網路的準確性會有提公升。
同是我們需要注意的是上圖中間的隱藏層，這個隱藏層可以說是把輸入層的人眼能識別的貓轉化為模型能識別的另一種形象的貓，而經過若干層隱藏層的處理之後，起初的貓圖被一步一步的轉換為更加準確的代表特徵。可以說隱藏層就是進行代表特徵轉換的，隨著一次一次的轉換，神經網路對資料的理解更加準確，輸出層的**結果也更加準確。
所以我對隱藏層的理解為：自動提取樣本資料的特徵。
因為隱藏層提取的特徵過多，我們往往無法認知，從而認為神經網路的隱藏層非常難以理解，但是神經網路是可以認知理解這些特徵的，這種能力往往也會被發展為更高階的神經網路演算法，比如遷移學習（這裡不做詳解）
什麼是神經網路？
神經網路是一種計算機模型或者數學模型，是存在於計算機的神經系統，由大量的神經元相連線並進行計算，在外界資訊的基礎上，改變內部的結構，常用來對輸入和輸出之間複雜的關係進行建模。下面這張圖就是乙個神經網路系統，它由很多層組成。輸入層負責接收資訊，比如乙隻貓的。輸出層是計算機對這個輸入資訊的判斷結果，它是...
什麼是神經網路
在高中我們學習過線性回歸，假設有一堆樣本，包含了六棟房子的資訊，包括房屋面積和房屋 想用房屋面積估計房屋 也就是說想建立乙個房屋 y和房屋面積x之間的函式。高中的時候怎麼做的？因為只有x和y兩個變數，先畫個xoy座標系，把樣本點 x,y 畫上去，最後觀察這些點是否在一條直線的附近。如果在的話，那麼我...
什麼是迴圈神經網路
在這篇文章中，我們會聊一聊語言分析，序列化資料中穿梭自如的迴圈神經網路。那麼首先第乙個問題，rnn是幹什麼的呢？他和普通的神經網路有什麼不同呢？我們接下來會一一進行 首先我們來想一下賈伯斯，現在給你一張賈伯斯的 不出意外，你應該會脫口而出他的名字，因為你很有可能就正在使用他的一款產品。那麼現在先拋開...