神经网络，一种模仿人脑结构与功能的计算模型，它通过学习数据中的模式来进行预测或决策。从最简单的感知器到复杂的深度学习架构，神经网络已成为人工智能领域中最强大的工具之一。其基本单元被称为神经元，这些单元连接成层，每一层可以处理信息的不同方面。
神经网络的工作原理基于人工神经元的概念。每个神经元接收输入信号，对其进行加权处理后，通过激活函数产生输出。这些输出又作为后续神经元的输入，如此传递下去，直到最终产生模型的预测结果。训练过程中，算法会调整权重值以最小化预测结果与实际结果之间的差异。
一个典型的神经网络由输入层、隐藏层和输出层组成。输入层负责接收原始数据，输出层给出最终结果，而隐藏层则负责特征提取与抽象表示。随着深度学习的发展，现代神经网络可以包含多个隐藏层，这些深层结构使得模型能够捕捉更复杂的数据关系。
下面是一个使用Python和Keras库构建简单神经网络的例子。这个例子展示了如何创建一个具有单个隐藏层的全连接网络，并用它来解决二分类问题。
# 导入所需库
import numpy as np
from keras.models import Sequential
from keras.layers import Dense
# 设定随机种子
np.random.seed(7)
# 加载数据集
dataset = np.loadtxt("pima-indians-diabetes.csv", delimiter=",")
# 分离输入x和输出y
x = dataset[:,0:8]
y = dataset[:,8]
# 创建模型
model = Sequential()
model.add(Dense(12, input_dim=8, activation='relu')) # 隐藏层，12个神经元
model.add(Dense(8, activation='relu')) # 另一个隐藏层，8个神经元
model.add(Dense(1, activation='sigmoid')) # 输出层，用于二分类问题
# 编译模型
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
# 训练模型
model.fit(x, y, epochs=150, batch_size=10)
# 评估模型
scores = model.evaluate(x, y)
print("\n%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))
此代码首先导入必要的库，并设定随机种子确保实验可重复性。然后加载糖尿病数据集，其中包含8个特征和一个目标变量（是否患有糖尿病）。接着创建了一个序列模型，添加了两个隐藏层和一个输出层。模型使用ReLU作为隐藏层的激活函数，Sigmoid作为输出层的激活函数，以便于处理二分类任务。编译步骤配置了损失函数、优化器以及性能度量标准。最后，模型通过fit方法进行训练，并通过evaluate方法评估其表现。
上述例子仅是神经网络应用中的冰山一角。实际上，从图像识别到自然语言处理，从游戏AI到自动驾驶汽车，神经网络的应用场景无所不在。随着技术的进步，神经网络将继续推动人工智能领域的前沿发展。
