① 神經網路具體是什麼
神經網路由大量的神經元相互連接而成。每個神經元接受線性組合的輸入後，最開始只是簡單的線性加權，後來給每個神經元加上了非線性的激活函數，從而進行非線性變換後輸出。每兩個神經元之間的連接代表加權值，稱之為權重（weight）。不同的權重和激活函數，則會導致神經網路不同的輸出。 舉個手寫識別的例子，給定一個未知數字，讓神經網路識別是什麼數字。此時的神經網路的輸入由一組被輸入圖像的像素所激活的輸入神經元所定義。在通過非線性激活函數進行非線性變換後，神經元被激活然後被傳遞到其他神經元。重復這一過程，直到最後一個輸出神經元被激活。從而識別當前數字是什麼字。 神經網路的每個神經元如下
基本wx + b的形式，其中 x1、x2表示輸入向量 w1、w2為權重，幾個輸入則意味著有幾個權重，即每個輸入都被賦予一個權重 b為偏置bias g(z) 為激活函數 a 為輸出 如果只是上面這樣一說，估計以前沒接觸過的十有八九又必定迷糊了。事實上，上述簡單模型可以追溯到20世紀50/60年代的感知器，可以把感知器理解為一個根據不同因素、以及各個因素的重要性程度而做決策的模型。 舉個例子，這周末北京有一草莓音樂節，那去不去呢？決定你是否去有二個因素，這二個因素可以對應二個輸入，分別用x1、x2表示。此外，這二個因素對做決策的影響程度不一樣，各自的影響程度用權重w1、w2表示。一般來說，音樂節的演唱嘉賓會非常影響你去不去，唱得好的前提下 即便沒人陪同都可忍受，但如果唱得不好還不如你上台唱呢。所以，我們可以如下表示： x1：是否有喜歡的演唱嘉賓。x1 = 1 你喜歡這些嘉賓，x1 = 0 你不喜歡這些嘉賓。嘉賓因素的權重w1 = 7 x2：是否有人陪你同去。x2 = 1 有人陪你同去，x2 = 0 沒人陪你同去。是否有人陪同的權重w2 = 3。 這樣，咱們的決策模型便建立起來了：g(z) = g(w1x1 + w2x2 + b )，g表示激活函數，這里的b可以理解成 為更好達到目標而做調整的偏置項。 一開始為了簡單，人們把激活函數定義成一個線性函數，即對於結果做一個線性變化，比如一個簡單的線性激活函數是g(z) = z，輸出都是輸入的線性變換。後來實際應用中發現，線性激活函數太過局限，於是引入了非線性激活函數。
② 神經網路是什麼
神經網路是什麼
作為人工智慧領域的核心演算法之一，神經網路在不斷發展和完善，它對人類的影響也越來越大。那麼，神經網路究竟是什麼呢？從多個角度進行分析，可以更好地理解神經網路的含義和作用。
一、定義
簡單來說，神經網路是一種模擬人腦神經元行為的計算模型。它由節點（神經元）和連接（權重）組成，通過輸入處理和自我調整，可實現模式匹配、分類、預測等任務。
二、結構
神經網路的結構通常包括輸入層、隱藏層和輸出層。其中，輸入層接受外界信息，並將其通過權重連接傳遞到隱藏層；隱藏層通過多層計算和自我調整，提取特徵並進一步傳遞到輸出層，輸出層則給出最終結果。這種層層遞進的結構，使神經網路可以應對復雜的任務。
三、類型
根據網路結構和學習方式的不同，神經網路可分為多種類型，如前饋神經網路、循環神經網路、自編碼器等。其中，前饋神經網路較為常見，能較好地處理分類和回歸問題；而循環神經網路適用於序列數據，如自然語言處理。
四、應用
神經網路的應用非常廣泛，涉及圖像識別、語音處理、機器人、金融、醫療等多個領域。比如，在圖像識別領域，神經網路可以識別物體、人臉等，輔助識別疾病；在金融領域，神經網路可用於預測市場趨勢、風險評估等。
綜上所述，神經網路是一種模擬人腦神經元行為的計算模型，其結構包括輸入層、隱藏層和輸出層，可分為多種類型，應用非常廣泛。
③ 什麼是全連接神經網路，怎麼理解「全連接」
1、全連接神經網路解析：對n-1層和n層而言，n-1層的任意一個節點，都和第n層所有節點有連接。即第n層的每個節點在進行計算的時候，激活函數的輸入是n-1層所有節點的加權。
2、全連接的神經網路示意圖：
3、「全連接」是一種不錯的模式，但是網路很大的時候，訓練速度回很慢。部分連接就是認為的切斷某兩個節點直接的連接，這樣訓練時計算量大大減小。