神经网络能干什么？
神经网络能干的事情很多，目前最火的深度学习的核心。利用神经网络，可以实现人脸识别、手写字体识别、指纹识别、图片识别等等，目前最成功的就是GPT Chart了，它的核心也是神经网络。
神经网络是什么？
顾名思义，神经网络就是由多个神经元相互连接，组成的网络。神经元是一个生物学概念，指的是人和动物神经系统中的一种细胞，看起来是这样的：
在计算机中肯定不存在神经细胞，所以伟大的程序猿们把它简化成了这个样子：
程序猿们利用计算机的CPU或GPU，按照上图的流程来模拟神经元。Ix、Iy、Iz一直到In代表神经元的输入，每个输入都乘上对应的权重(图中W*)再全部加起来作为中间结果存储在图中的圆圈中。权重的作用是模拟神经元对不同信号的敏感程度，比如人的神经元，对轻轻抚摸的信号不敏感，但对用刀轻轻切割很敏感(^_^)。抚摸和切割可以视为两种输入信号，但因为权重不同，造成人对这种输入信号的敏感程度不同。姑且这样理解吧，对于一篇免费的小白文，你还能要求更多吗？
中间结果会传递给阙值函数，阙值函数对其进行一定的运算后产生输出。为什么需要阙值函数？因为要模拟神经元的“抑制”现象。生物学家经过长时间研究，发现神经元并不是对所有输入都会产生输出。程序猿们为了模拟这种现象，引入了阙值函数，又叫激活函数，这类函数有很多，几乎所有非线性函数都可用作激活函数，比如sin、cos、tanh、sigmod等等。
为什么不能用线性函数？嗯，专业的回答是：用线性函数就不能处理非线性问题。小白的回答是：线性函数一定会产生一个输出，因此不能模拟“抑制”现象。
什么是线性函数？小白的回答：函数的图像看起来是一条直线的函数就是线性函数。专业的回答：小白不知道，请问百度大哥。
神经网络的结构
最简单的神经网络的结构看起来是这样的：
图中每一个圆圈表示一个神经元，箭头表示数据的流动方向。数据首先进入输入层的各个神经元中，再流入隐层，最后再从输出层流出，从而产生整个神经网络的输出。
数据从一个神经元流向另一个神经元时都要经过权重、求和、激活函数的运算，上图没有画出来，请参考上上图。
神经网络中输入层和输出层是必须的，隐层是可选的，隐层的数量没有上限。隐层越多，神经网络的能力就越强，表现为能识别的类别越多、能存储的数据越大。理论上只要计算机算力够强，可以有无限多隐层，然而遗憾的是这个世界上从来就没有“足够快”的计算机，所以隐层的数量总是有限的。
上图中的神经网络已经可以解决很多问题了，图片识别、人脸识别、物体分类等等都可以。然而这种所有神经元都彼此连接的网络有一个严重的缺陷，就是运算量大，造成运算过程非常缓慢，不适合用来处理大数据、高分辨率图像。
其他类型的神经网络
为了解决各种问题，睿智的程序猿们发明了各种各样的神经网络，比如循环神经网络、卷积神经网络、LSTM等等，大家可以自行百度相关资料。特别是这两年，新的神经网络结构如火山喷发一般出现，看得人眼花缭乱、晕头转向、心生敬畏进而顶礼膜拜。
芸芸小站首发，阅读原文：http://www.xiaoyunyun.net/index.php/archives/221.html
