- 神经网络，受人类大脑启发，指的是一种基于人脑工作方式模型的计算架构。
- 它们通过输入层、隐藏层和输出层等层次结构运作，促进学习和预测。
- 神经网络的类型包括前馈网络，其中数据线性移动；反向传播网络，通过持续反馈优化预测；以及卷积网络，专为图像分析而设计，如 AI 图像识别。
我们的观点
尽管神经网络似乎远离我们的日常生活，但它们以难以察觉的方式错综复杂地融入我们的生活。它们使我们能够沉浸于为个人兴趣量身定制的内容中，同时让我们能够流畅地与 Siri 等虚拟助手互动。因此， 促进对它们的理解，可以使我们更好地利用其能力来丰富我们的生活。
——BTW 记者 奥黛丽·黄
本文介绍了神经网络的定义、工作原理及其类型。
什么是神经网络？
一种神经网络，或称人工神经网络，是一种基于人脑工作方式模型的计算架构。神经网络由被称为“节点”的处理单元集合组成。这些节点彼此传递数据，就像大脑中的神经元相互传递电脉冲一样。这些网络应用于机器学习，这是一种无需明确指令即可获取知识的计算机程序。
另请阅读： 私有无线网络：所有权、频谱与用途
另请阅读： 以太网专线与无线网络对比
它们如何工作？
神经网络由分布在至少三个层中的众多节点组成：输入层、隐藏层和输出层。此外，除了输入层和输出层之外，还可以有多个隐藏层。无论节点在网络中位于何处，每个节点都对从上一个节点或输入层接收到的输入执行特定的处理任务或功能。本质上，每个节点包含一个独特的数学公式，各个变量具有不同的权重。如果将该公式应用于输入的结果超过指定阈值，节点就会将数据传递到下一层。反之，如果输出低于阈值，则不会有数据向前传递到下一层。
它们有哪些类型？
神经网络的处理方法和拥有的隐藏层数量有所不同。它有三种类型：前馈神经网络、反向传播神经网络和卷积神经网络。
1. 前馈神经网络
这类神经网络代表了人工神经网络的基本结构。它们以单向方式传输数据，从输入节点移动到后续的输出节点。虽然并非必需，但它们可以包含隐藏层来处理更复杂的任务。它们的学习过程通过反馈机制逐步演变。面部识别是前馈网络的一个示例。
2. 反向传播神经网络
这类神经网络通过使每个节点保留其输出值，并将其反向传播到整个网络，从而在每一层生成预测，来持续工作。这有助于持续学习和预测精炼。
3. 卷积神经网络
卷积神经网络（CNN）使用隐藏层执行数学运算，生成图像区域的特征图，这些特征图更易于分类。每个隐藏层接收图像的不同部分进行分解，从而进一步分析并最终预测图像内容。AI图像识别是卷积神经网络运作的一个典型例子。