🎯 博主简介
你好，我是安逸，CSDN「人工智能技术领域新星创作者」，码龄 6 年。博客总访问量 31万+，博客粉丝 1.2万+。
我长期关注人工智能技术与工程实践，主要研究和分享 AI Agent、RAG 系统、MCP 协议、OpenClaw、AI 编程工具以及大模型工程化落地。同时也持续输出 Java / Spring、Transformer、机器学习、深度学习与计算机视觉等方向的学习笔记和项目经验。
📚 推荐系列合集
目前已经整理了 生产级 RAG 系统实战、Agent 记忆系统、MCP 协议深度解析、OpenClaw 系列、Hermes Agent + Obsidian、图解机器学习、Claude Code 系列和 Agent 经典面试题等系列合集，涵盖 AI 应用开发、智能体实践、知识管理、机器学习与 AI 编程工具。
📱GZH：安逸Ai (科技前沿新闻，Github热门项目，最新免费资料...)
网页观看完整系列合集：🌐 Anyi AI 学习资源站
上篇我们聊了深度学习是什么、能做什么。你可能还记得它的核心就是"从数据中自动学习规律"。但问题是：它到底是怎么学的？怎么从一堆乱七八糟的图片里，认出哪只是猫哪只是狗？
答案就在神经网络里。这名字听着玄乎，但其实原理没那么复杂。今天我们就把它拆开来看，一层层扒干净。
神经网络本质上就是个数学公式
别被"人工智能"、"深度学习"这些词吓到。
说白了，神经网络就是一道数学题。
你给它一个输入，它给你一个输出。图片进去，标签出来。语音进去，文字出来。不管多花哨的应用，底层都是"输入→处理→输出"这一套。
但这道题和我们数学课上的不一样。它有成千上万个参数，就像一个超级复杂的公式。这些参数决定了输入怎么变成输出。
数据流转图，展示输入（图片/语音/文字）经过神经网络黑箱处理后输出（识别结果/翻译内容）的完整流程
打个比方。神经网络就像一个巨型工厂。原材料进去（数据），流水线处理（神经网络），成品出来（预测结果）。
工厂里的每个工人都记着自己的小任务。所有工人配合起来，就能完成单独一个人根本搞不定的事。
单个神经元长什么样？
工厂由工人组成，神经网络由神经元组成。
一个神经元长这样：
它左边有好多输入。每个输入都带个数字，叫权重。权重越大，这个输入越重要。
神经元把所有的输入乘以对应权重，加起来。再加上一个偏置，就像微调螺丝。
最后过一道激活函数，出来一个输出。
听起来复杂？做个决定就懂了。
比如你决定今天中午吃什么。考虑因素：钱包鼓不鼓（输入1）、饿不饿（输入2）、想不想吃辣（输入3）。
钱包影响大，你就给它高权重。想不想吃辣无所谓，权重就低。
这就是神经元在做的事：加权求和 + 微调。
单个神经元结构图，展示X1、X2、X3输入，W1、W2、W3权重，求和、偏置b、激活函数f到输出y的完整路径
每个神经元的输出，又可以成为下一个神经元的输入。一层一层传下去，信息就这样被处理了。
激活函数是干啥的？
刚才说神经元最后要过激活函数。这步到底有什么用？
没激活函数的话，神经网络就是个线性公式。输入放大两倍，输出就放大两倍。永远学不会复杂的东西。
激活函数负责打破线性。
它让网络能够处理"不是A就是B"这种情况，也能处理"在A和B之间徘徊"的模糊地带。
常见的激活函数有三种：
Sigmoid：输出在0到1之间，适合做概率预测。但梯度容易消失，深层网络不好用。
ReLU：大于0输出原值，小于0输出0。简单高效，是现在的主流。
Tanh：输出在-1到1之间，中心是0。比Sigmoid好用一点。
怎么选？先记住ReLU最常用就行。后面我们专门讲激活函数的选择。
三种激活函数曲线对比图，左上是Sigmoid曲线呈S形，右上是ReLU函数曲线，左下是tanh双曲正切曲线
多层结构：从看局部到看全局
一个神经元能做的事很有限。把很多神经元堆成层，层再堆成网络，能力就上来了。
典型的多层感知机长这样：输入层 接收数据，几个隐藏层 处理数据，输出层给出结果。
各层学的东西不一样。
底层学边缘、纹理这些简单特征。中层把它们组合成局部模式。高层最终识别出整体是什么。
就像你认识一个人。
你先看到他的眼睛、鼻子、嘴巴。然后组合起来知道这是个"人脸"。最后和记忆对比，发现"哦，这是老王"。
单层网络做不到这个。它只能看局部，或者只能看整体，没有层次。
多层结构让网络真正"看懂"了东西。
多层感知机网络架构图，从左到右依次是输入层（圆形节点）、三个隐藏层（方形节点）、输出层，并标注各层提取的特征类型
训练过程：神经网络是怎么学习的？
现在有个问题：网络参数一开始是随机的，乱七八糟的。它怎么变成能正确认猫认狗的？
靠训练。
训练分两步：前向传播 和反向传播。
前向传播很简单。数据从左边进去，一层层计算，最后出来一个预测结果。
问题来了：第一次预测肯定不准。错多少？怎么改？
这就需要损失函数。它能量化预测和真实答案之间的差距。差距越大，损失越高。
然后是反向传播。网络从右往左看：输出错了很多，那倒数第二层责任多大？倒数第三层呢？一层层算下来，每个参数都知道自己该背多少锅。
最后根据这个"锅"来调整参数。调整完了，再来一轮前向传播，看看损失有没有下降。
反复几千几万次，损失越来越低，网络越来越准。
这就好比你学投篮。投一个，偏了。看看偏了多少，调整力度和角度。再投，还偏。继续调。直到投进。
训练过程流程图，左半部分是前向传播（输入→隐藏层→输出→计算损失），右半部分是反向传播（损失→反向计算梯度→更新参数→循环）
整个训练过程就是：前向计算→算损失→反向传播→更新参数→再来一遍。周而复始，直到满意为止。
手写数字识别：MLP的实战
说这么多，来个实际例子。
MNIST数据集是深度学习的"Hello World"。
它包含上万张手写数字图片。每张是28×28像素，灰度图。
任务是让网络学会识别这些数字是0到9中的哪一个。
输入层有784个神经元（28×28=784）。每个像素一个输入。
输出层有10个神经元，分别代表0到9。哪个输出值最高，预测就是哪个数字。
中间加几个隐藏层，网络就能学得很好。
训练完成后，你随便写个"3"，网络能认出来。就算你写的歪歪扭扭，和训练集里的都不一样，它也能认出来。
这就是泛化能力。学会了规律，就能处理没见过的数据。
MNIST手写数字识别应用图，左侧是四张手写数字图片，中间是简化的神经网络图标，右侧是识别结果"3"、"7"、"1"、"9"
最后
现在你应该清楚了。
神经网络从单个神经元开始，每个神经元做加权求和、加偏置、过激活函数。把很多神经元堆成多层，网络就能提取层级特征。看局部、看整体，全部搞定。
训练则是前向传播和反向传播的循环。数据进去，算损失，反向调整参数，一遍遍迭代，直到网络学会。
说起来好像挺简单？但这只是基础。
真实的深度学习网络动不动几百层，参数几十亿。训练时还有各种技巧：怎么防止过拟合、怎么加速收敛、怎么选择优化器......
就拿激活函数来说，我们今天只是简单提了一下。Sigmoid、ReLU、Tanh各有各的特点，不同场景选错了，性能能差好几倍。
所以下篇我们就来细聊：激活函数到底怎么选？