① 神经网络具体是什么
神经网络由大量的神经元相互连接而成。每个神经元接受线性组合的输入后，最开始只是简单的线性加权，后来给每个神经元加上了非线性的激活函数，从而进行非线性变换后输出。每两个神经元之间的连接代表加权值，称之为权重（weight）。不同的权重和激活函数，则会导致神经网络不同的输出。 举个手写识别的例子，给定一个未知数字，让神经网络识别是什么数字。此时的神经网络的输入由一组被输入图像的像素所激活的输入神经元所定义。在通过非线性激活函数进行非线性变换后，神经元被激活然后被传递到其他神经元。重复这一过程，直到最后一个输出神经元被激活。从而识别当前数字是什么字。 神经网络的每个神经元如下
基本wx + b的形式，其中 x1、x2表示输入向量 w1、w2为权重，几个输入则意味着有几个权重，即每个输入都被赋予一个权重 b为偏置bias g(z) 为激活函数 a 为输出 如果只是上面这样一说，估计以前没接触过的十有八九又必定迷糊了。事实上，上述简单模型可以追溯到20世纪50/60年代的感知器，可以把感知器理解为一个根据不同因素、以及各个因素的重要性程度而做决策的模型。 举个例子，这周末北京有一草莓音乐节，那去不去呢？决定你是否去有二个因素，这二个因素可以对应二个输入，分别用x1、x2表示。此外，这二个因素对做决策的影响程度不一样，各自的影响程度用权重w1、w2表示。一般来说，音乐节的演唱嘉宾会非常影响你去不去，唱得好的前提下 即便没人陪同都可忍受，但如果唱得不好还不如你上台唱呢。所以，我们可以如下表示： x1：是否有喜欢的演唱嘉宾。x1 = 1 你喜欢这些嘉宾，x1 = 0 你不喜欢这些嘉宾。嘉宾因素的权重w1 = 7 x2：是否有人陪你同去。x2 = 1 有人陪你同去，x2 = 0 没人陪你同去。是否有人陪同的权重w2 = 3。 这样，咱们的决策模型便建立起来了：g(z) = g(w1x1 + w2x2 + b )，g表示激活函数，这里的b可以理解成 为更好达到目标而做调整的偏置项。 一开始为了简单，人们把激活函数定义成一个线性函数，即对于结果做一个线性变化，比如一个简单的线性激活函数是g(z) = z，输出都是输入的线性变换。后来实际应用中发现，线性激活函数太过局限，于是引入了非线性激活函数。
② 神经网络是什么
神经网络是什么
作为人工智能领域的核心算法之一，神经网络在不断发展和完善，它对人类的影响也越来越大。那么，神经网络究竟是什么呢？从多个角度进行分析，可以更好地理解神经网络的含义和作用。
一、定义
简单来说，神经网络是一种模拟人脑神经元行为的计算模型。它由节点（神经元）和连接（权重）组成，通过输入处理和自我调整，可实现模式匹配、分类、预测等任务。
二、结构
神经网络的结构通常包括输入层、隐藏层和输出层。其中，输入层接受外界信息，并将其通过权重连接传递到隐藏层；隐藏层通过多层计算和自我调整，提取特征并进一步传递到输出层，输出层则给出最终结果。这种层层递进的结构，使神经网络可以应对复杂的任务。
三、类型
根据网络结构和学习方式的不同，神经网络可分为多种类型，如前馈神经网络、循环神经网络、自编码器等。其中，前馈神经网络较为常见，能较好地处理分类和回归问题；而循环神经网络适用于序列数据，如自然语言处理。
四、应用
神经网络的应用非常广泛，涉及图像识别、语音处理、机器人、金融、医疗等多个领域。比如，在图像识别领域，神经网络可以识别物体、人脸等，辅助识别疾病；在金融领域，神经网络可用于预测市场趋势、风险评估等。
综上所述，神经网络是一种模拟人脑神经元行为的计算模型，其结构包括输入层、隐藏层和输出层，可分为多种类型，应用非常广泛。
③ 什么是全连接神经网络，怎么理解“全连接”
1、全连接神经网络解析：对n-1层和n层而言，n-1层的任意一个节点，都和第n层所有节点有连接。即第n层的每个节点在进行计算的时候，激活函数的输入是n-1层所有节点的加权。
2、全连接的神经网络示意图：
3、“全连接”是一种不错的模式，但是网络很大的时候，训练速度回很慢。部分连接就是认为的切断某两个节点直接的连接，这样训练时计算量大大减小。