什么是 神经网络？
神经网络是一种受人脑生物神经网络启发的计算模型，由分层组织的相互连接的节点（神经元）组成，使用连接主义方法处理信息。
快速了解
| 全称 | 人工神经网络 |
|---|---|
| 创建时间 | 1943 年由 Warren McCulloch 和 Walter Pitts 提出 |
| 规范文档 | 官方规范 |
工作原理
神经网络由输入层、一个或多个隐藏层和输出层组成。每个神经元接收输入，对其应用权重，将加权输入与偏置相加，然后通过激活函数产生输出。在训练过程中，网络通过反向传播调整权重和偏置，以最小化预测输出与实际输出之间的差异。这种学习过程使神经网络能够识别模式、分类数据，并对复杂的非线性问题进行预测。
主要特点
- 模拟生物神经元的并行分布式处理架构
- 无需显式编程即可从训练数据中学习和泛化
- 通过激活函数实现非线性映射能力
- 具有容错性，神经元故障时可优雅降级
- 通过反向传播的权重调整实现自适应学习
常见用途
- 图像识别和计算机视觉应用
- 自然语言处理和机器翻译
- 语音识别和语音合成系统
- 推荐系统和个性化引擎
- 自动驾驶车辆和机器人控制
示例
Loading code...常见问题
神经网络是如何工作的？
神经网络通过模拟生物神经元的工作方式处理信息。每个神经元接收输入，乘以权重后求和，加上偏置，然后通过激活函数产生输出。训练时，网络通过反向传播算法调整权重，使预测结果逐渐接近真实值。多层神经元组成的网络可以学习复杂的非线性关系。
神经网络有哪些常见类型？
常见的神经网络类型包括：1) 前馈神经网络（FNN）- 最基本的类型；2) 卷积神经网络（CNN）- 擅长图像处理；3) 循环神经网络（RNN）- 处理序列数据；4) 长短期记忆网络（LSTM）- 改进的 RNN；5) Transformer - 现代大语言模型的基础；6) 生成对抗网络（GAN）- 用于生成任务。
什么是激活函数？有哪些常用的？
激活函数为神经网络引入非线性，使其能够学习复杂模式。常用的激活函数：1) ReLU - max(0, x)，最常用；2) Sigmoid - 输出 0-1 之间，用于二分类；3) Tanh - 输出 -1 到 1 之间；4) Softmax - 用于多分类输出概率；5) GELU - Transformer 中常用。选择取决于任务和网络结构。
什么是反向传播？
反向传播（Backpropagation）是训练神经网络的核心算法。它的工作流程：1) 前向传播计算预测输出；2) 计算预测与真实值的误差（损失）；3) 从输出层向输入层反向计算每个权重对误差的贡献（梯度）；4) 使用梯度下降更新权重。这个过程反复进行直到模型收敛。
深度学习和神经网络有什么关系？
深度学习是使用深层（多隐藏层）神经网络的机器学习方法。传统神经网络通常只有 1-2 个隐藏层，而深度神经网络可能有几十甚至上百层。深度使网络能够学习更抽象、更复杂的特征表示。现代深度学习的成功得益于大数据、GPU 计算和算法改进（如 ReLU、Batch Normalization）。