首先，先看一个简化的生物神经元结构：
生物神经元有多种类型，内部也有复杂的结构，但是可以把单个神经元简化为3部分组成：
- 树突：一个神经元往往有多个树突，用于接收传入的信息。
- 轴突：一个神经元只有一个轴突，轴突前端的轴丘用来执行运算。
- 轴突末梢（突触末梢）：多个轴突末梢用于给其他多个神经元传递运算结果。
神经元通过微弱的电信号进行运算和信号传递，多个生物神经元彼此之间相互连接，就构成了复杂的生物神经网络。
而人工神经网络是对真实的神经系统的模拟，本质上是一种模型。
人工神经网络单个神经元，模仿生物神经元，也由3部分组成：
- 输入层：对应树突，用于接收传入的信息。
- 隐藏层：对应轴突，用来执行运算。
- 输出层：对应轴突末梢，用于给其他多个神经元传递信息。
人工神经元可以简化为一个黑盒，接收多个输入，经过运算（一般是加权）后，产生多个输出。
神经元的计算有很多种方式，以最简单的加权计算举例。如上图，ax表示输入，wx表示输出，z表示结果。用公式简单表达如下：
其中，g是sgn函数(取正负号的函数)。运算后z的结果只有0、1两种结果，多个输出的z值相同。
这个神经元可认为是一个最简单的人工神经网络，对于它的运行原理，拿春运买火车票举个例子：
假设小明要回家过年，打开12306，开始买票，他浏览了一遍，然后把打算要买的车票加入候补。
每个火车票都有一些属性，提取一些关键属性作为人工神经元的输入，
假设输入a1表示票价，a2表示时长，a3表示始发站。
而买票人小明是个吊丝，对票价很敏感，
那么先假定w1权重为80%，w2权重20%，w3权重为50%。
然后把每个火车票作为样本对这个神经元模型进行训练：
假设输入一张K普通车票，运算结果与小明的选择一致，那权重不变。
再输入一张G高铁车票，运算结果与小明的结果不一致，就修改权重，比如加大w1权重值。
然后依次训练调整权重值，就可以生成与小明的决策几乎完全一致的模型。
最后留几个样本来验证模型的运行情况，评估模型的质量。
而多个神经元之间相互连接，就是多层人工神经网络。
