神经网络是什么？
神经网络是什么？
神经网络是一种由许多简单计算单元组成的模型。它接收输入，经过多层计算，输出预测结果。现代深度学习中的大多数模型，本质上都可以看成不同结构的神经网络。
从一个最简单的神经元说起
一个人工神经元会做三件事：
- 接收多个输入，例如房屋面积、楼层、位置评分。
- 给每个输入一个权重，表示它的重要程度。
- 把加权结果经过激活函数，得到输出。
如果很多神经元连接在一起，就形成了神经网络。第一层接收原始数据，中间层提取特征，最后一层给出结果。
权重为什么重要
权重决定了输入对输出的影响大小。比如预测房价时，面积可能权重大，楼层权重较小，距离地铁的权重也可能很大。
训练神经网络的过程，就是不断调整这些权重，让模型输出越来越接近真实答案。
激活函数的作用
如果神经网络只做线性加权，那么再多层也只相当于一个线性函数，表达能力有限。激活函数会引入非线性，让模型可以学习更复杂的关系。
常见激活函数包括 ReLU、Sigmoid、Tanh。初学者不需要一开始背公式，但要知道：激活函数让神经网络不只是简单加减乘除。
反向传播在做什么
训练时，模型先根据当前权重做预测，然后计算预测和真实答案的差距，这个差距叫损失。反向传播会把损失从输出层一层层传回去，告诉每个权重应该往哪个方向调整。
你可以把它想成老师批改作业：不只是说“错了”，还要指出哪一步错得多，下一次该怎么改。
神经网络能解决哪些问题
- 图像分类：判断图片里是猫还是狗。
- 语音识别：把声音转换成文字。
- 文本生成：根据上下文生成下一段话。
- 风险预测：根据历史数据预测违约概率。
- 推荐排序：判断用户更可能喜欢哪个内容。
不同问题会使用不同结构的网络，例如卷积神经网络适合图像，Transformer 适合文本和多模态任务。
常见误解
误解一：神经网络就是人脑。 不是。它只是借用了“神经元”这个名字，本质是数学函数。
误解二：层数越多越好。 层数增加会提升表达能力，也会增加训练难度、过拟合风险和计算成本。
误解三：训练就是让模型记答案。 好模型不是记住训练集，而是学到能用于新样本的规律。
小练习
请用三个输入设计一个简单预测任务，例如“学习时长、睡眠时间、练习题数量”预测“考试是否通过”。然后思考：哪个输入权重应该更大？为什么？
小结
神经网络是深度学习的基础。理解它时抓住四个词：输入、权重、激活函数、损失。只要明白模型如何根据错误调整权重，你就能理解大多数深度学习模型的训练逻辑。