在這篇文章中，我們將去學習神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識。

本篇文章的學習需要對機器學習有著基本理解，如果你學習過一些機器學習算法，那就更好了。首先簡單介紹一下人工神經(jīng)網(wǎng)絡(luò)，也叫ANN。很多機器學習算法的靈感來自于大自然，而最大的靈感來自我們的大腦，我們?nèi)绾嗡伎�、學習和做決定。有趣的是，當我們觸摸到熱的東西時，我們身體里的神經(jīng)元會將信號傳遞給大腦的，然后大腦會產(chǎn)生讓我們從熱的區(qū)域撤退的反應(yīng)。我們可以根據(jù)經(jīng)驗來進行訓練，根據(jù)我們的經(jīng)驗，我們開始做出更好的決定。使用同樣的類比，當我們向神經(jīng)網(wǎng)絡(luò)發(fā)送一個輸入（觸摸熱物質(zhì)），然后根據(jù)學習（先前的經(jīng)驗），我們產(chǎn)生一個輸出（從熱區(qū)域退出）。在未來，當我們得到類似的信號（接觸熱表面），我們可以預測輸出（從熱區(qū)退出）。假設(shè)我們輸入了諸如溫度、風速、能見度、濕度等信息，以預測未來的天氣狀況——下雨、多云還是晴天。這可以表示為如下所示。

讓我們用神經(jīng)網(wǎng)絡(luò)來表示它并理解神經(jīng)網(wǎng)絡(luò)的組成部分。神經(jīng)網(wǎng)絡(luò)接收輸入，通過使用激活函數(shù)改變狀態(tài)從而轉(zhuǎn)換輸入信號，進而產(chǎn)生輸出。輸出將根據(jù)接收到的輸入、強度（如果信號由權(quán)值表示）和應(yīng)用于輸入?yún)��?shù)和權(quán)值的激活而改變。神經(jīng)網(wǎng)絡(luò)與我們神經(jīng)系統(tǒng)中的神經(jīng)元非常相似。

x1、x2、…xn是神經(jīng)元向樹突的輸入信號，在神經(jīng)元的軸突末端會發(fā)生狀態(tài)改變，產(chǎn)生輸出y1、y2、…yn。以天氣預報為例，溫度、風速、能見度和濕度是輸入?yún)��?shù)，然后神經(jīng)元通過使用激活函數(shù)對輸入施加權(quán)重來處理這些輸入，從而產(chǎn)生輸出，這里預測的輸出是晴天、雨天或陰天的類型。

那么，神經(jīng)網(wǎng)絡(luò)的組成部分是什么呢神經(jīng)網(wǎng)絡(luò)會有輸入層，偏置單元。一個或多個隱藏層，每個隱藏層將有一個偏置單元輸出層與每個連接相關(guān)的權(quán)重將節(jié)點的輸入信號轉(zhuǎn)換為輸出信號的激活函數(shù)輸入層、隱含層和輸出層通常稱為全連接層

這些權(quán)值是什么，什么是激活函數(shù)，這些方程是什么？讓我們簡化一下權(quán)重是神經(jīng)網(wǎng)絡(luò)學習的方式，我們調(diào)整權(quán)重來確定信號的強度。權(quán)重幫助我們得到不同的輸出。例如，要預測晴天，溫度可能介于宜人到炎熱之間，晴天的能見度非常好，因此溫度和能見度的權(quán)重會更高。濕度不會太高，否則當天會下雨，所以濕度的重量可能會小一些，也可能是負的。風速可能與晴天無關(guān)，它的強度要么為0，要么非常小。我們隨機初始化權(quán)重（w）與輸入（x）相乘并添加偏差項（b），所以對于隱藏層，會先計算z，然后應(yīng)用激活函數(shù)。我們稱之為前向傳播。方程可以表示如下，其中為層的編號，對于輸入層。