当我们谈论人工智能时，神经网络常常是那个闪亮的明星。从最初的简单模型——感知机，到当今复杂而强大的深度学习系统，这场技术革命正以前所未有的方式改变着我们的世界。今天，咱们就用通俗易懂的语言，搭配一些简单的代码示例，来一场《深入神经网络：从感知机到深度学习》的探索之旅。
感知机：神经网络的起点
想象一下，你面前有一个开关，它可以根据房间光线的强弱决定是否打开电灯。感知机就像是这样一个基本的决策单元，只不过它处理的是数字信号，用以判断输入数据属于哪一类。
代码示例（使用Python和numpy）：
import numpy as np
def perceptron(x, weights, bias):
# x 是输入向量，weights 是权重向量，bias 是偏置项
# 神经元的激活函数采用阶跃函数，这里简化为大于0则输出1，否则输出0
net_input = np.dot(weights, x) + bias
return 1 if net_input >= 0 else 0
# 示例：训练一个感知机区分正负样本
weights = np.array([0.5, 0.5])
bias = -0.7
x = np.array([1, 1]) # 输入向量
output = perceptron(x, weights, bias)
print("输出:", output)
前馈网络：层层传递的智慧
前馈网络是感知机的升级版，它由多层神经元组成，每一层的输出作为下一层的输入，信息像水流一样从前向后传播，故名前馈。每一层都能学习到输入数据的不同特征。
代码示例（使用Keras构建一个简单的前馈网络）：
from keras.models import Sequential
from keras.layers import Dense
# 创建一个Sequential模型
model = Sequential()
# 添加输入层和隐藏层，使用ReLU激活函数
model.add(Dense(32, input_dim=8, activation='relu'))
# 添加输出层，这里假设我们做二分类问题，所以输出层神经元数量为1，使用Sigmoid激活函数
model.add(Dense(1, activation='sigmoid'))
# 编译模型，指定损失函数、优化器和评估指标
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
# 假设我们有一些训练数据X_train和对应的标签y_train
# model.fit(X_train, y_train, epochs=10, batch_size=32)
卷积神经网络(CNN)：图像识别的魔术师
CNN特别擅长处理图像数据，它的秘密武器在于卷积层和池化层。卷积层通过一组可学习的滤波器扫描图像，提取特征；池化层则用于降维，减少计算量，同时保持重要信息。
代码示例（使用Keras构建一个简单的CNN模型处理图像分类）：
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
# 假设输入图像大小为64x64像素，3通道（RGB）
model = Sequential()
# 添加卷积层，使用32个3x3的过滤器，激活函数为ReLU
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)))
# 添加最大池化层，池化窗口大小为2x2
model.add(MaxPooling2D(pool_size=(2, 2)))
# 添加平坦化层，将三维特征图转换为一维向量
model.add(Flatten())
# 添加全连接层，用于分类
model.add(Dense(10, activation='softmax')) # 假设有10个分类
# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
循环神经网络(RNN)：时间序列的守护者
RNN能够处理序列数据，比如自然语言文本，它的特别之处在于具有循环结构，允许信息在序列中传递，从而理解上下文依赖。
代码示例（使用Keras构建一个简单的RNN模型处理文本分类）：
from keras.models import Sequential
from keras.layers import Embedding, SimpleRNN, Dense
# 假设输入文本序列长度为100，词汇表大小为10000
model = Sequential()
# 添加嵌入层，将单词映射到高维向量空间
model.add(Embedding(input_dim=10000, output_dim=32, input_length=100))
# 添加一个简单的RNN层，隐藏单元数为32
model.add(SimpleRNN(32))
# 添加输出层，进行分类
model.add(Dense(1, activation='sigmoid'))
# 编译模型
model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['acc'])
这一路走来，从感知机的简单逻辑判断，到前馈网络的多层次特征提取，再到CNN的图像识别和RNN对序列数据的理解，我们见证了神经网络一步步走向复杂和强大的过程。每一种网络结构都有其独特的优势，适用于解决特定类型的问题。正是这些多样化的神经网络，构成了现代深度学习的基石。
