如果人类已经造出了人造大脑，你会想让它做什么呢？写作业，称霸股市，还是霸占世界？人造大脑的可能性是无穷的。事实上，在一定程度上我们已经做到了！人造大脑不像我们的大脑那么复杂，却是能改变世界的强有力工具，它就是神经网络。
神经网络是什么？
神经网络（简称NN）是能够接收、处理并输出信息的一组连接节点。我们的大脑也是一种神经网络！它的内部有许许多多生物神经元连接，能够获取信息（屏幕上的文字），并将其处理、输出（理解文字并储存信息）。
生物神经网络：
理解生物神经的工作机制是直观理解人造神经的关键。我们先来看看生物神经的物质构造，再将其与人造神经进行比较。生物神经的构造如下：
· 树突：接收其它神经的输入信号。
· 胞体：联合树突收集的所有信息并进行计算，它能根据计算判断是否输出信号（会根据强度有所差异）。
· 轴突：接受胞体的计算并传输信号。
· 轴突末端：向其它神经元输出信号。
人工神经网络：
人工神经网络不是像人脑一样实体的神经网络（但它们可以是！），它们实际上只是电脑中运行的软件！我们先来看看人工神经网络的构造，再来深究它们是如何相互作用的。
简化的神经网络
神经网络的构成：
· 节点：接收之前节点的输入，进行计算并输出。节点与生物意义上神经网络的胞体、树突和轴突末端类似。
· 突触：将一个节点输出的信号传输到下一个节点进行输入，类似生物神经网络的轴突。
· 输入层：输入数据（以数字的形式）嵌入的部位。
· 隐藏层：不参与输入输出的层级（好处：如果层级多于1个，神经网络就会由简单神经网络升级成深度神经网络）。
· 输出层：参与神经网络最终输出的层。
神经网络如何工作？
神经网络的实际工作机制：
· 首先要将输入数据以数字的形式放置在输入层中。
· 数据会通过突触传送。数据在从节点传输到突触的过程中，会通过参数放大，就会产生一个偏差。这样就放大或者抑制了信号。
· 这个信号会被归于下一个节点，会同其它所有的信号整合，传递到突触中。
· 在各个层级中重复“计算+传送”的步骤。
· 最终的输出会是一系列数字，能够转化为我们想要的结果。
这5个步骤（+另外一个后续会提到的步骤）就是我们的大脑在处理信息时会遵循的步骤。人工神经网络是模仿我们的大脑建成的！
更复杂些的神经网络
这张图片看起来有些复杂，每个层有很多个节点，节点又通过许多突触连接，但它仍不能反映真实的神经网络。实际生活中，神经网络有几十个层，每一层有上千个节点。虽然过程都是相同的，但仍有这样的问题存在：电脑是如何将所有数据一一计算出来的呢？
给神经网络编程
神经网络中只存在数字，它们由向量（数字列表）表示，以点积的方式相互作用。这样做是因为计算机处理向量和点积非常迅速。这次再运用矩阵浏览一下整个过程：
· 输入层是输入数据的向量表示（例如：属性的单个图像或单个列表）。
· 在下一层里，向量会被传递给每一个节点。
· 每个节点中会有参数向量来取代突触。两个。向量之间会以点乘的方式来产生一个数字。这个数字会产生一个偏差形成输出
· 整个层会得出很多个输出结果，结合在一起形成向量。
· 这个向量会被传送出去。这个过程会一直重复到最后一个层。
有注意到在步骤3中，通过常数放大了输入，又添加了另一个常数吗？这听起来像是9年级学的线性函数！这个函数中需要记忆的等式y=mx+b（在最后）有一个实际运用。y是输出，m是参数，x是输入，b是偏差！所以又把步骤3叫做线性层。
你或许还会注意到这个问题：神经网络中的众多线性层可以整合为1个层，为什么还要那么多层级呢？这是个很好的想法，会在缺失的一个关键步骤——非线性中得到处理。
非线性函数：
线性整流函数是最简单最常见的非线性函数
通过在每个线性层之间添加非线性的方法，就能将它们分隔开！所要做的只是将非线性函数运用到线性层的所有输出。非线性函数的数量很多。最简单常用的叫做线性整流函数。瞄准这个函数，因为它理解起来很容易，需要的时间很短。（注意：非线性函数层叫做激活层。）
那么，为什么一定要有这么多层呢？1个层不可以吗？答案是：通用近似定理。通用近似定理描述了如果有足够的线性层和非线性层，就可以以任意精度近似任意函数。也就是说，神经网络可以做任何事。
到这里，你就已经了解了神经网络的工作方式，可以深入研究其训练过程啦！