神经网络入门指南：一文看懂基本定义、工作原理与应用场景
神经网络是受人脑启发的机器学习方法。它通过分层节点、隐藏层和激活函数学习权重与偏置，建立输入到输出的映射，帮助理解图像识别与自然语言处理场景。
什么是神经网络？
神经网络是一种受人脑启发的机器学习和人工智能方法，用于让计算机处理数据，并从数据中学习模式。它也常被称为人工神经网络或 ANN，可以理解为一种能够通过数据学习的自适应系统。
这里的“受人脑启发”并不意味着神经网络在完整复刻人脑。更准确地说，它借鉴了“多个单元相互连接、按层传递信息、通过学习调整关系”的思路，用计算方式建立输入到输出之间的映射。
一个直观理解是：神经网络像一组按层协作的计算单元。输入数据进入网络后，会经过多层节点处理；网络在训练中学习哪些连接更重要、哪些调整更合适，最后给出预测、分类或其他输出结果。
要点： 神经网络的核心不是手工写死所有规则，而是通过数据学习权重与偏置，从而识别模式并完成推理。
用分层节点理解神经网络的基本结构
神经网络由互连的节点或神经元组成，这些节点通常按照层次结构组织。每个节点承担一部分计算，多个节点和多层结构共同完成更复杂的信息处理。
入门时，可以先掌握四个基础概念：节点、层、隐藏层和激活函数。
| 组成部分 | 可以怎样理解 | 在神经网络中的作用 |
|---|---|---|
| 节点或神经元 | 基本计算单元 | 接收输入信息，并产生中间结果 |
| 层 | 一组节点的组织方式 | 让数据按层传递和处理 |
| 隐藏层 | 位于输入与输出之间的中间层 | 承担模式提取和中间计算 |
| 激活函数 | 节点计算中的关键组成部分 | 影响节点输出，以及信息如何继续传递 |
分层结构使神经网络可以把复杂问题拆成多步计算。前一层的输出会成为后一层的输入，隐藏层在中间不断处理信息，最终形成输出结果。
神经网络是如何工作的？
神经网络的工作原理可以概括为：通过分层堆叠的神经元处理数据，并在学习过程中调整权重与偏置，从而建立输入到输出的映射关系。
权重可以理解为不同连接的重要程度，偏置则参与调整节点的计算结果。网络在训练中不断学习这些参数，使其更适合识别数据中的模式。
| 流程环节 | 发生了什么 | 读者可以关注什么 |
|---|---|---|
| 输入数据 | 数据进入神经网络 | 网络需要从输入中寻找可学习的模式 |
| 层间计算 | 节点、隐藏层和激活函数共同处理信息 | 多层结构逐步变换和传递数据 |
| 参数学习 | 网络学习权重与偏置 | 输入与输出之间的关系被逐步调整 |
| 输出结果 | 网络生成预测、分类或其他结果 | 已学习到的映射关系被用于产生输出 |
这种机制解释了为什么神经网络适合处理复杂模式：它并不是只执行一条固定规则，而是利用多层节点在数据中学习关系。
神经网络如何训练和推理？
神经网络通常包含两个关键过程：训练和推理。训练阶段的目标是从数据中学习参数；推理阶段则使用已经学习到的关系，对新的输入生成输出。
| 阶段 | 核心目标 | 关键点 |
|---|---|---|
| 训练 | 从数据中学习权重与偏置 | 通过训练过程调整网络内部关系 |
| 推理 | 使用已学习到的关系处理新输入 | 根据输入到输出的映射生成结果 |
一个简化的训练与推理流程
准备数据
神经网络首先需要可以用于学习的数据。数据提供了网络识别模式的基础，也是训练阶段调整参数的依据。
从输入到输出进行计算
数据进入网络后，会经过分层节点处理。隐藏层和激活函数参与中间计算，网络根据当前参数得到一个输出结果。
比较结果
在训练语境中，网络需要根据输出结果与期望结果之间的差异，判断当前参数是否合适。这个过程帮助网络知道哪些关系还需要调整。
使用反向传播进行训练
反向传播是训练神经网络的重要方法。它帮助网络根据训练过程中的结果调整参数，使权重与偏置逐步形成更合适的输入输出关系。
用训练后的网络进行推理
当网络已经学习到相对稳定的映射关系后，就可以在推理阶段处理新的输入，并生成对应输出。
要点： 训练关注“如何学会”，推理关注“如何使用学到的关系”。二者共同构成神经网络从数据学习到实际应用的基本闭环。
神经网络适合解决哪些问题？
神经网络适合处理传统算法较难处理的复杂问题，尤其是需要从数据中识别模式的任务。图像识别和自然语言处理是两个常见方向。
| 用户需求 | 神经网络解决方式 | 可能带来的效果 |
|---|---|---|
| 识别图片中的对象、特征或类别 | 从图像数据中学习模式，并建立输入图像到输出结果的映射 | 更适合处理图像中复杂、多变的视觉模式 |
| 理解或处理自然语言相关信息 | 从文本数据中学习语言模式和输入输出关系 | 可用于自然语言处理任务中的模式识别 |
| 面对规则难以完整枚举的问题 | 通过数据学习权重与偏置，而不是完全依赖手工规则 | 在复杂模式任务中具备更强的适应性 |
需要注意的是，神经网络并不意味着所有问题都应优先使用。它的价值通常体现在数据中存在可学习模式、问题规则难以手工完整表达、任务需要处理复杂输入输出关系的场景。
神经网络与深度学习、人工神经网络有什么关系？
神经网络、人工神经网络、ANN 和深度学习经常一起出现，但它们的侧重点不同。
| 概念 | 含义 | 关系说明 |
|---|---|---|
| 神经网络 | 受人脑启发的机器学习或人工智能方法 | 强调通过分层节点从数据中学习模式 |
| 人工神经网络 / ANN | 神经网络的常见称呼 | 通常用于指代这类可通过数据学习的自适应系统 |
| 深度学习 | 使用分层结构中的互连节点或神经元进行学习的机器学习过程 | 与多层神经网络结构密切相关，强调分层学习过程 |
可以这样建立概念边界：人工神经网络和 ANN 通常是神经网络的同义表达；深度学习则更强调使用分层结构中的互连节点或神经元进行学习。对初学者来说，先理解神经网络的节点、层、训练和推理，再理解深度学习会更自然。
初学者理解神经网络的常见误区
误区一：神经网络是在完整模拟人脑
神经网络只是受人脑启发，并不是在完整复刻人脑机制。它借鉴的是分层、连接和学习的思路，最终仍然是一种用于处理数据和学习模式的计算方法。
误区二：神经网络依靠手工写死规则工作
神经网络不是把所有规则都提前写好。它会在训练中从数据里学习权重与偏置，并通过这些参数建立输入到输出的映射关系。
误区三：入门必须先掌握复杂公式
理解神经网络不一定要从复杂数学细节开始。更适合初学者的路径，是先把握四件事：它是什么、由什么组成、如何训练和推理、适合解决哪些类型的问题。
误区四：神经网络适合所有任务
神经网络擅长处理复杂模式，但并不代表它是所有问题的默认答案。是否适合使用神经网络，仍要看问题是否包含可学习的数据模式，以及任务是否需要处理复杂的输入输出关系。
原文链接：https://www.qianwenai.com/discover/what-is-neural-network
