- 从神经元到神经网络
生物灵感：大脑有约860亿个神经元，每个接收信号、处理、然后传递给下一个。
人工神经元：数学函数 y = f(w1x1 + w2x2 + ... + b)
🧠 单个神经元就像一个小决策器：
输入：x1, x2（比如温度、湿度）
权重：w1, w2（重要性）
偏置：b（基础阈值）
激活函数：f（决定是否"兴奋"）
-
最简单的神经网络：感知机
只能处理线性可分问题（如AND、OR）。
要解决异或（XOR）问题，需要多层网络。
-
多层神经网络（MLP）
输入层：接收原始数据（图片像素、房价特征）
隐藏层：提取抽象特征（可以有很多层→"深度"学习）
输出层：给出最终结果（分类概率、回归值）
📐 前向传播：数据从左到右流过网络，计算出预测值。
- 神经网络怎么学？------反向传播
前向：计算预测值
损失：比较预测与真实值（如交叉熵损失）
反向：从输出层往输入层，计算每个权重的梯度（用链式法则）
更新：梯度下降法调整权重
重复多轮（epoch）
🧮 直观理解：
误差像涟漪一样从输出层向后传播，告诉每一层的神经元"你该为错误承担多少责任"，然后它们修正自己的权重。
- 用Keras搭一个3层神经网络（10行代码）
python
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
model = Sequential([
Dense(64, activation='relu', input_shape=(20,)), # 隐藏层1
Dense(64, activation='relu'), # 隐藏层2
Dense(1, activation='sigmoid') # 输出层（二分类）
])
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=10, batch_size=32)- 深度学习的"深"到底有多深？
浅层网络：1-2个隐藏层（1990s）
深度网络：5-150层（2010s）
超深网络：如ResNet有1000+层（通过跳跃连接实现）
- 为什么深度学习现在这么火？
数据爆炸：互联网每天产生海量标注数据
算力飞跃：GPU让矩阵运算快几千倍
算法突破：ReLU激活函数、Dropout、BatchNorm等
小结
神经网络通过多层非线性变换，可以拟合任意复杂函数。它是现代计算机视觉、自然语言处理的基石。下一篇我们将进入"计算机视觉"，看看卷积神经网络如何看懂图像。
下一篇预告：《计算机视觉：让AI拥有一双"火眼金睛"》